一种基于海洋捕食者算法的参数优化方法

1.本发明涉及仿生和种群的计算机智能方法领域，具体涉及一种基于海洋捕食者算法的参数优化方法、电子设备和可读存储介质。


背景技术：

2.目前，近年来，随着现实世界中的优化问题难度和复杂性不断增大，吸引了越来越多科学研究工作者对于优化问题的研究。基于仿生和种群的计算机智能方法由于其灵活性、自组织性、鲁棒性等优点在解决复杂的非线性现实问题时显示出了比传统优化方法更大的吸引力，为解决复杂的优化问题提供了强有力的工具。
3.海洋捕食者算法2020年提出的一种新型元启发式优化算法。海洋捕食者算法通过模仿自然界中海洋生物的捕食行为，构建模型来求解优化问题。海洋捕食者算法简单有效，可以用较快的速度解决优化问题，已被广泛应用于解决实际问题中，如故障诊断、图像融合、参数优化。
4.现有技术中，海洋捕食者算法更新公式中包括了捕食过程，并且受干扰因素影响捕食者会趋向全局最佳位置。这样的更新公式，很好的保证了种群的多样性，但是由于只有函数值最优的的个体会参与到下一代的位置更新中，使得个体既容易陷入局部最优。其次，每次更新迭代只寻找到函数值最优的个体，而不对其反向位置搜索，使得寻找到更佳位置的概率和算法的探索能力降低。存在算法开发能力差，收敛速度慢，收敛精度低的技术问题。
5.因此，有必要对海洋捕食者算法进行优化，解决其算法开发能力差，收敛速度慢，收敛精度低的技术问题。


技术实现要素：

6.解决的技术问题
7.针对现有技术所存在的上述缺点，本发明提供了一种基于海洋捕食者算法的参数优化方法，该方法可以解决当前海洋捕食者算法开发能力差，收敛速度慢，收敛精度低的技术问题。
8.技术方案
9.为实现以上目的，本发明通过以下技术方案予以实现：
10.本发明提供一种基于海洋捕食者算法的参数优化方法，包括如下步骤：
11.s1、系统初始化后，使用海洋捕食者算法，识别捕食者并构造精英矩阵；
12.s2、将人工干扰因素改为多次人工干扰，将原种群x与经反向学习后的种群x*进行比较，根据适应度函数计算海洋捕食者的函数值，选择函数值更优的作为海洋捕食者；
13.s3、当满足突变条件时，采用复合突变引导全局最优海洋捕食者进行变异，并根据突变前后位置的函数值择优确定更新全局最优捕食者；
14.s4、根据适应度函数计算更新后海洋捕食者的函数值获取最优函数值，当满足预
设的终止条件时，种群停止迭代，输出优化参数和对应的函数值。
15.进一步地，所述将人工干扰因素改为多次人工干扰具体为：通过多人工干扰机制引导海洋捕食者具有多样性。
16.进一步地，进行反向学习采用公式：
17.prey
1i
＝ub+lb-preyi18.其中，ub是搜索范围的上界，lb是搜索范围的下界，preyi是反向学习前海洋捕食者的位置，prey
1i
是经反向学习后海洋捕食者的反向解x*，若通过反向学习后的反向解的适应度值优于当前解，保留反向结果；若否，保持原位置不变。
19.进一步地，步骤s3具体包括：若满足突变条件1，采用第一突变方案，若满足突变条件2，采用第二突变方案，若满足突变条件3，采用第三突变方案。根据突变前后位置的函数值确定且更新全局海洋捕食者；
20.所述采用第一突变方案进行变异：进行第一突变的判定条件及方案采用公式：
[0021][0022]
其中r1,r2,r3是1到n的随机整数，f1表示规模系数，它的值设为1.0。c
r1
表示突变率，它的值设置为0.1；
[0023]
所述采用第二突变方案进行变异：进行第二突变的判定条件及方案采用公式：
[0024][0025]
其中r4,r5,r6,r7,r8是1到n的随机整数，f2表示规模系数，它的值设为0.8。c
r2
表示突变率，它的值设置为0.6；
[0026]
所述采用第三突变方案进行变异：进行第三突变的判定条件及方案采用公式：
[0027][0028]
其中r9,r
10
,r
11
是1到n的随机整数，f3表示规模系数，它的值设为1.0。c
r3
表示突变率，它的值设置为0.9。
[0029]
基于同一发明构想，本发明还提供了一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述任一项所述的方法。
[0030]
基于同一发明构想，本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的方法。
[0031]
有益效果
[0032]
本发明要解决的问题是提供一种基于海洋捕食者算法的参数优化方法，借助该方法可以提高海洋捕食者算法的开发能力，增加其收敛速度及收敛精度。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1为本发明一实施例提供的基于海洋捕食者算法的参数优化方法的步骤示意图；
[0035]
图2为本发明一实施例提供的基于海洋捕食者算法的参数优化方法的流程示意图。
具体实施方式
[0036]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
参阅图1，本发明提供了一种基于海洋捕食者算法的参数优化方法，包括如下步骤：
[0038]
s1、系统初始化后，使用海洋捕食者算法，识别捕食者并构造精英矩阵；
[0039]
s2、将人工干扰因素改为多次人工干扰，将原种群x与经反向学习后的种群x*进行比较，根据适应度函数计算海洋捕食者的函数值，选择函数值更优的作为海洋捕食者；
[0040]
s3、当满足突变条件时，采用复合突变引导全局最优海洋捕食者进行变异，并根据突变前后位置的函数值择优确定更新全局最优捕食者；
[0041]
s4、根据适应度函数计算更新后海洋捕食者的函数值获取最优函数值，当满足预设的终止条件时，种群停止迭代，输出优化参数和对应的函数值。
[0042]
具体实施的时候，本发明采用多人工干扰策略，保持种群的多样性，极大的增加算法跳出局部最优的能力，增加算法收敛性能。采用反向学习的策略，利用当前位置与反向位置来产生下一代的候选解。选择反向解的有益效果：产生的反向解增加了算法种群的多样性，增加寻找到更佳位置的概率和增强算法的探索能力，从而增加了算法的收敛精度。采用复合突变策略引导海洋捕食者当前最优个体进行突变的方式，模拟海洋捕食者的突然跳跃，有利于算法跳出局部最优值，增加寻找到更佳位置的概率。若达到最大迭代次数，输出最优值海洋捕食者位置级对应函数值，若没有达到最大迭代次数，重复迭代过程。
[0043]
具体地，根据海洋捕食者算法的搜索方程，在海洋捕食者的寻优过程中仅一次人工干扰显然与捕食者实际捕食过程不符，且在算法中跳出局部最优能力较弱，在迭代后期搜索区域逐渐变小，算法易陷入局部最优，导致收敛精度不高。本发明实施例针对仅一次人工干扰，采用多次人工干扰的方法来捕食者觅食行为；针对在迭代后期搜索区域逐渐变小，算法易陷入局部最优的问题，采用反向学习和复合突变引导算法跳出局部最优。
[0044]
多人工干扰：多人工干扰因素来改变海洋捕食者觅食行为，可以保持种群的多样性，极大的增加算法跳出局部最优的能力，对算法收敛到最优解起到了至关重要的作用。因此，本发明实施例提出一种多干扰的策略，利用多次人工干扰使得种群多样性更加丰富。
[0045]
反向学习：反向学习是利用反向解与当前解进行比较，可以有效的增加种群的多样性和质量且接近最优解的概率比当前解高出了50％。因此，本发明实施例提出一种反向学习的策略，利用当前位置与反向位置来产生下一代的候选解。选择反向解的有益效果：产生的反向解增加了算法种群的多样性，增加寻找到更佳位置的概率和增强算法的探索能力，从而增加了算法的收敛精度。产生反向解的计算公式如下式(1)所示：
[0046]
prey
1i
＝ub+lb-preyiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0047]
其中，ub是搜索范围的上界，lb是搜索范围的下界，preyi是反向学习前海洋捕食者的位置，prey
1i
是经反向学习后海洋捕食者的反向解x*。
[0048]
复合突变：海洋捕食者算法，在迭代后期搜索区域逐渐变小，算法易陷入局部最优，导致收敛精度不高。为了算法的不足，本发明实施例提出使用复合突变策略引导海洋捕食者当前最优个体进行突变的方式，模拟海洋捕食者的突然跳跃，有利于算法跳出局部最优值，增加寻找到更佳位置的概率。下面由式(2)—(4)所示：
[0049][0050]
其中r1,r2,r3是1到n的随机整数，f1表示规模系数，它的值设为1.0。c
r1
表示突变率，它的值设置为0.1.
[0051][0052]
其中r4,r5,r6,r7,r8是1到n的随机整数，f2表示规模系数，它的值设为0.8。c
r2
表示突变率，它的值设置为0.6。
[0053][0054]
其中r9,r
10
,r
11
是1到n的随机整数，f3表示规模系数，它的值设为1.0。c
r3
表示突变率，它的值设置为0.9.
[0055]
具体地，使用时对相关参数和种群进行初始化设置：本发明实施例中的参数包括种群数量n，最大迭代次数max_iter，搜索空间的维度dim。设置种群数量n＝30，最大迭代次数max_iter＝200，维度dim＝30。通过随机生成的方法在搜索空间中产生捕食者的初始种群位置，种群初始化公式(5)。计算每个捕食者所在位置的函数值，确定精英捕食者。
[0056]
xi＝lb+rand1*(ub-lb)
ꢀꢀꢀꢀꢀꢀꢀ
i＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0057]
控制海洋捕食者的探索和开发的参数cf根据公式(6)在算法迭代过程由1向0递减。
[0058][0059]
其中iter是当前迭代次数。海洋捕食者的位置根据算法的迭代公式(7)进行更新：
[0060]
当iter小于三分之一最大迭代次数时：
[0061][0062]
其中rb表示布朗运动，p＝0.5，rand2是0-1之间的随机向量，表示元素的相乘。
[0063]
当iter大于三分之一最大迭代次数，小于三分之二最大迭代次数时：
[0064][0065][0066]
其中，rl表示l
é
vy飞行，p＝0.5，rand3是0-1之间的随机向量。表示元素的相乘。
[0067]
当iter大于三分之二最大迭代次数时，
[0068][0069]
基于同一发明构想，本发明还提供了一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述基于海洋捕食者算法的参数优化方法。
[0070]
所述处理器在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器(例如gpu(graphics processing unit-图形处理器))、或其他数据处理芯片。该处理器通常用于控制所述电子设备的总体操作。本实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述基于海洋捕食者算法的参数优化方法的程序代码。
[0071]
所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器可以是所述电子设备的内部存储单元，例如该电子设备的硬盘或内存。在另一些实施例中，所述存储器也可以是所述电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器还可以既包括所述电子设备的内部存储单元也包括其外部存储设备。本实施例中，所述存储器通常用于存储安装于所述电子设备的操作方法和各类应用软件，例如所述基于海洋捕食者算法的参数优化方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0072]
基于同一发明构想，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现所述基于海洋捕食者算法的参数优化方法。
[0073]
本发明的优点在于提供一种基于海洋捕食者算法的参数优化方法，借助该方法可以提高海洋捕食者算法的开发能力，增加其收敛速度及收敛精度。
[0074]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。

技术特征：
1.一种基于海洋捕食者算法的参数优化方法，其特征在于，包括如下步骤：s1、系统初始化后，使用海洋捕食者算法，识别捕食者并构造精英矩阵；s2、将人工干扰因素改为多次人工干扰，将原种群x与经反向学习后的种群x*进行比较，根据适应度函数计算海洋捕食者的函数值，选择函数值更优的作为海洋捕食者；s3、当满足突变条件时，采用复合突变引导全局最优海洋捕食者进行变异，并根据突变前后位置的函数值择优确定更新全局最优捕食者；s4、根据适应度函数计算更新后海洋捕食者的函数值获取最优函数值，当满足预设的终止条件时，种群停止迭代，输出优化参数和对应的函数值。2.根据权利要求1所述的基于海洋捕食者算法的参数优化方法，其特征在于，所述将人工干扰因素改为多次人工干扰具体为：通过多人工干扰机制引导海洋捕食者具有多样性。3.根据权利要求1所述的基于海洋捕食者算法的参数优化方法，其特征在于，进行反向学习采用公式：prey
1i
＝ub+lb-prey
i
其中，ub是搜索范围的上界，lb是搜索范围的下界，prey
i
是反向学习前海洋捕食者的位置，prey
1i
是经反向学习后海洋捕食者的反向解x*，若通过反向学习后的反向解的适应度值优于当前解，保留反向结果；若否，保持原位置不变。4.根据权利要求1所述的基于海洋捕食者算法的参数优化方法，其特征在于，步骤s3具体包括：若满足突变条件1，采用第一突变方案，若满足突变条件2，采用第二突变方案，若满足突变条件3，采用第三突变方案。根据突变前后位置的函数值确定且更新全局海洋捕食者；所述采用第一突变方案进行变异：进行第一突变的判定条件及方案采用公式：其中r1,r2,r3是1到n的随机整数，f1表示规模系数，它的值设为1.0。c
r1
表示突变率，它的值设置为0.1；所述采用第二突变方案进行变异：进行第二突变的判定条件及方案采用公式：其中r4,r5,r6,r7,r8是1到n的随机整数，f2表示规模系数，它的值设为0.8。c
r2
表示突变率，它的值设置为0.6；所述采用第三突变方案进行变异：进行第三突变的判定条件及方案采用公式：其中r9,r
10
,r
11
是1到n的随机整数，f3表示规模系数，它的值设为1.0。c
r3
表示突变率，它
的值设置为0.9。5.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至4中任一项所述的方法。6.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至4中任一项所述的方法。

技术总结
本发明涉及仿生和种群的计算机智能方法领域，具体涉及一种基于海洋捕食者算法的参数优化方法，包括如下步骤：系统初始化后，使用海洋捕食者算法，识别捕食者并构造精英矩阵；将人工干扰因素改为多次人工干扰，将原种群与经反向学习后的种群进行比较，选择函数值更优的作为海洋捕食者；当满足突变条件时，采用复合突变引导全局最优海洋捕食者进行变异，并根据突变前后位置的函数值择优确定更新全局最优捕食者；根据适应度函数计算更新后海洋捕食者的函数值获取最优函数值，当满足预设的终止条件时，种群停止迭代，输出优化参数和对应的函数值。该方法可以解决当前海洋捕食者算法开发能力差，收敛速度慢，收敛精度低的技术问题。收敛精度低的技术问题。收敛精度低的技术问题。


技术研发人员：陈雷 郝丛旺
受保护的技术使用者：天津商业大学
技术研发日：2022.01.26
技术公布日：2023/8/8