基于改进策略的鼠群优化算法_王也.pdf

2023.4电脑编程技巧与维护1概述RSO算法是学者Dhiman等1提出的一种新兴群智能优化算法，该算法将鼠群捕获猎物的行为过程模拟为待优化问题的寻优过程。与现有的优化算法相比，RSO算法具有结构简单易懂、设置参数较少、处理函数优化问题效果较好等特点2。RSO算法被广泛应用于各种寻优场景。Dhiman等1将该算法应用于6个约束工程设计问题中，都获得较好的效果。杨琼波等2将该算法用于优化回声状态网络（ESN）超参数，并通过利用某水文站58年间逐月径流时间序列数据，在8种模型中证明了RSO算法能够提高ESN网络的预测性能。综上所述，该算法在应用方面取得不错的效果，但在搜索最优解的过程中，该算法的收敛精度、速度和稳定性还有待提升。为此，提出一种基于改进策略的鼠群优化（ISRSO）算法来提升算法的整体性能。2鼠群优化算法RSO算法将鼠群捕获猎物过程分为猎物追逐阶段和猎物攻击阶段1。2.1猎物追逐阶段在这一阶段中，以离猎物最近的老鼠所处的位置作为鼠群最佳位置，使其余老鼠以当前位置为出发点，不断根据鼠群的最佳位置向猎物移动，从而不停地改变位置。鼠群猎物追逐阶段的数学描述如公式（1）公式（3）所示：（1）（2）C=2rand（3）其中：Pr（k）为第k次迭代鼠群的最佳位置；Pl（k）为第i只老鼠第k次迭代的当前位置；C为第i只老鼠的步长权重，rand为01的随机数，因此步长权重C的取值范围为0,2；A为自身位置权重；R为1,5的随机数；k为当前迭代次数；km为迭代最大次数。2.2猎物攻击阶段在这一阶段中，老鼠通过猎物追逐不断接近猎物后，不停地变换位置，从而发动对猎物的攻击。鼠群猎物攻击阶段的数学描述如公式（4）所示：Pl（k+1）=|Pr（k）-P（k）（4）其中，Pl（k+1）为第i个个体第k+1次迭代的位置。3改进策略的鼠群优化算法在RSO算法搜索最优解的过程中，存在易陷入局部最优解的现象，从而使得该算法不能收敛待优化问题的最优解，严重影响了该算法的应用前景。在算法寻优的过程中，增加种群的多样性，有利于算法跳出局部最优解3。为此，通过产生相应随机解的方式，在寻优过程中对种群个体进行随机扰动，实现增加种群多样性的目的，从而使得算法在寻优过程中避免陷入局部最优解。3.1Tent 混沌映射搜索策略混沌搜索是一种搜索效果极佳的搜索机制。利用混沌搜索的随机性和遍历性3，可以提高算法种群多样性和收敛精度4。为此提出的ISRSO算法在猎物攻击阶段后，引入混沌序列，并将该混沌序列映射到算法解空间中，从而对猎物攻击阶段产生的种群进行随机混沌扰动，实现增加种群多样性的目的。基金项目：2022年度广西高校中青年教师科研基础能力提升项目（2022KY0789）；2020年桂林航天工业学院校级项目（XJ20KT19），（XJ20KT18）。作者简介：王也（1993），女，助教，硕士，研究方向为信息安全、云计算；曲会晨，通信作者，讲师，硕士；林奕森，讲师，硕士。基于改进策略的鼠群优化算法王也，曲会晨*，林奕森（桂林航天工业学院计算机科学与工程学院，广西 桂林541004）摘要：为了提升鼠群优化（RSO）算法摆脱陷入局部最优解的能力并提高收敛精度，进而提升算法的整体性能，提出了一种基于改进策略的鼠群优化（ISRSO）算法。在猎物攻击过程中，通过 Tent 映射增加种群个体扰动的方式，实现种群多样性的提升，从而降低算法陷入局部最优解概率。基于标准测试函数的实验研究结果表明，提出的算法能够有效地跳出局部最优解，并且在收敛精度上与对比算法相比有明显提高，整体上提升了该算法的性能。关键词：鼠群优化算法；Tent 映射；混沌扰动48DOI:10.16184/prg.2023.04.0292023.4电脑编程技巧与维护混沌序列的产生可由很多方法实现，考虑到Tent映射所产生的混沌序列比Logistic映射产生的混沌序列更为平坦和均匀，采用Tent映射产生混沌序列对种群进行扰动5。Tent混沌映射的数学模型如公式（5）所示：（5）其中，混沌的序列号用j=1,2,n表示，n为种群个体决策变量维数；tj+1为混沌序列t的第j+1个混沌序列值。在RSO算法猎物攻击阶段后，通过Tent映射产生扰动，步骤如下。（1）通过公式（5）产生Tent混沌序列。（2）将种群每个个体决策变量的取值范围假设为Xmin,Xmax，种群个体为i，通过公式（6）将取值在01的混沌序列值映射到种群的每个个体决策变量的取值范围内，得到每一维扰动变量Xdj（i），具体如下。Xdj（i）=Xminj（i）+tj（i）（Xmaxj（i）-Xminj（i）（6）其中：i=1,2,；m表示种群的个体数；Xdj（i）表示第i个个体中的第j维的扰动变量。（3）通过公式（7）对原种群每一个个体决策变量进行扰动，产生混沌扰动个体。Xnewdj（i）=（Xdj（i）+Xj（i）/2（7）其中，Xnewdj（i）为产生的混沌扰动个体第i个个体中的第j维的混沌扰动值；Xj（i）为进行Tent混沌扰动的原种群第i个个体中的第j维决策变量。（4）通过适应度值函数f值做评判标准，以最小化为标准，如果Xnewd（i）小于X（i），则表示鼠群成员X（i）在经历Tent混沌扰动后，进一步缩短了距离猎物的位置，用Xnewd（i）更新X（i）；否则不更新个体，保留X（i）。3.2算法流程提出的ISRSO算法具体实现步骤如下。（1）设置鼠群老鼠个数即种群个体数目m，设置种群的决策变量维度为n，设置算法最大迭代次数xm，完成算法初始化设置。（2）ISRSO算法的猎物追逐阶段通过公式（1）公式（3）完成。（3）在猎物捕获阶段，按照公式（4）产生下一代种群的新个体，并计算新个体的适应度值，如果新个体适应度值优于旧个体时，则用新个体代替旧个体；反之，则不更新个体。（4）对猎物攻击阶段进行更新后的个体，按照公式（5）公式（7）进行Tent映射扰动，产生相对应的混沌扰动个体，并计算混沌扰动个体适应度值，如果新个体（混沌扰动个体）适应度值优于旧个体时，则用新个体代替旧个体；反之，则不更新个体。（5）若满足（1）设定的算法最大迭代次数的终止条件，则算法运行结束，输出寻优问题的最优解，并获得当前最优个体；否则返回（2）继续执行算法流程。4实验仿真结果与分析为了公平地检验ISRSO算法的整体性能，选取CEC2005测试函数集中9种标准函数6（表1）作为测试函数对算法的整体性能进行验证，并选取RSO算法1与ISRSO算法进行对比。每种算法的种群规模m为30，决策变量维度n为30，最大迭代次数均为1 000次，对于每个测试数都独立运行30次。仿真实验使用的仿真软件环境为Matlab2018a。ISRSO算法和RSO算法测试结果对比，如表2所示。从表2可以看出，对于测试函数f3和f9，ISRSO算法和RSO算法都能收敛到测试函数的理论最优值0，说明在原有RSO算法已经能够获得理论最优值的情况下，ISRSO算法能够保持原有的收敛精度。在测试函数f1、f2、f4、f7、f8过程中，RSO算法都陷入到局部最优解，函数表达式搜索解空间 最优值-100,1000-100,1000-10,10-10,10-100,1000-30,300-1,28,1.280-32,320-5.12,5.120-600,6000表1标准测试函数492023.4电脑编程技巧与维护3结语基于NestJS的新高考志愿填报决策平台的研究成果具有以下优点：（1）界面简洁，思路布局清晰，配合的图表等内容直观、大气、色彩丰富、吸引眼球，旨在让用户用相对少的点击获取相对多的内容；（2）功能齐全，除了基本的院校库及专业等功能，平台还为用户提供智能填报、院校对比、兴趣测评、报考时间轴、特殊类型招生等服务；（3）平台集院校介绍、专业介绍、兴趣测评、报考时间轴、资讯新闻等多方面内容于一体。参考文献1季昌华.基于深度学习的文本匹配算法研究及应用D.无锡:江南大学,2022.2施元鹏.基于文本相似度的简历与招聘信息的双向匹配推荐算法的研究D.南京:南京邮电大学,2021.3朱洪倩.问答系统中的深度文本匹配算法研究及应用D.重庆:重庆邮电大学,2021.未能收敛到最优值，而ISRSO算法却能获得测试函数的理论最优值0，表明ISRSO算法能够在RSO算法陷入局部最优解时，有效地跳出局部最优解，继续寻优到最优值。在测试f5和f6过程中，ISRSO算法和RSO算法都陷入到局部最优解，未能收敛到最优值，但ISRSO算法在收敛精度上高于RSO算法，表明ISRSO能够提高收敛精度。5结语针对RSO算法存在陷入局部最优解的问题，借助Tent映射的混沌扰动思想，在RSO算法的猎物攻击阶段后，加入Tent映射对种群个体进行扰动的方式，增加了种群的多样性，从而在保持原有RSO算法性能的基础上，降低了算法在寻优过程中陷入局部最优解的可能性，并大幅度提升了算法的收敛精度。通过9个典型的标准测试函数的仿真实验测试ISRSO算法的性能，并与RSO算法进行对比。实验结果表明，ISRSO算法整体性能优于RSO算法，并在实际应用方面有着广阔的前景。参考文献1DHIMAN G,GARG M,NAGAR A,et al.A Novel Al-gorithm for global optimization：Rat swarm optimizerJ.Jounral of ambient intelligence and humanizedcomputing,2021,12(8):8457-8482.2杨琼波,崔东文.WPD-RSO-ESN和SSA-RSO-ESN模型在径流时间序列预测中应用比较J.中国农村水利水电,2022(2):61-67.3翟军昌,秦玉平.反向学习全局和声搜索算法J.控制与决策,2019,34(7):1449-1455.4张振兴,杨任农,房育寰,等.自适应Tent混沌搜索的蚁狮优化算法J.哈尔滨工业大学学报,2018,50(5):152-159.5曲会晨,刘雷,冯贤文.基于动态扰动策略的人工搜索群算法J.桂林航天工业学院学报,2021,26(1):14-23.6肖婧,许小可,张永建,等.差分进化算法及其高维多目标优化应用M.北京:人民邮电出版社,2018.测试函数算法平均值f1RSO6.09E-32ISRSO0.00E+00f2RSO1.10E-18ISRSO0.00E+00f3RSO0.00E+00ISRSO0.00E+00f4RSO4.67E-07ISRSO0.00E+00f5RSO6.13E+00ISRSO4.70E+00f6RSO9.49E-06ISRSO6.78E-06f7RSO7.40E-17ISRSO0.00E+00f8RSO1.57E+02ISRSO0.00E+00f9RSO0.00E+00ISRSO0.00E+00表2RSO算法和ISRSO算法测试结果对比(上接第12页)50