融合多向学习的混沌麻雀搜索算法_柴岩.pdf

2023，59（6）麻雀搜索算法1（sparrow search algorithm，SSA）是通过模仿麻雀群体中觅食行为和反捕食行为来实现优化搜索目标的新型群智能优化算法。该算法因其具备原理简单，结果清晰，搜索能力强等特点，受到国内外学者的广泛关注，现已成功应用于工程设计问题2、机器学习算法的参数优化3、路径规划4、BP神经网络5等多个领域。但麻雀搜索算法仍存在对初始解依赖、迭代后期种群多样性骤减、容易陷入局部极值等问题。为提升麻雀搜索算法的综合性能，众多学者对其进行了相关改进。基于初始种群的改进主要以混沌映射策略6-7和反向学习策略8-9为主。又因变异算子能够增强算法跃出局部空间的能力，故在麻雀位置更新处引入变异算子同样是SSA算法的一种改进方向，何国松等人10对劣势群体采用量子策略进行变异，加强空间搜索能力，对优势群体采用Lvy随机游走策略，克服量子策略迭代后期种群多样性减少的问题；Liu等人11联合柯西算子与高斯算子对每代个体变异扰动，增强算法摆脱停滞的能力。麻雀个体的位置更新对算法的优化性能有融合多向学习的混沌麻雀搜索算法柴岩，孙笑笑，任生辽宁工程技术大学 理学院，辽宁 阜新 123000摘要：对于原始麻雀搜索算法（SSA）在迭代过程中表现出的种群多样性减小，易陷入局部最优等问题，提出一种融合多向学习的混沌麻雀搜索算法（MSSA）。利用Hnon混沌映射初始化种群，增加麻雀种群的多样性，扩大可行解的搜索范围，为全局寻优奠定基础；采用多向学习策略增加麻雀跟随者探索未知领域的机会，平衡算法的局部开发性能和全局搜索能力；当算法陷入局部最优时，引用遗传算法中的变异策略依据动态的变异概率对当前最优个体进行扰动变异；将MSSA算法应用到无线传感器网络节点覆盖优化问题。数值实验结果与Wilcoxon秩和检验结果均表明MSSA算法在收敛精度与收敛速度等方面具有更明显的优势。关键词：麻雀搜索算法；Hnon混沌映射；多向学习策略；变异算子；无线传感器网络文献标志码：A中图分类号：TP301.6doi：10.3778/j.issn.1002-8331.2205-0528Chaotic Sparrow Search Algorithm Based on Multi-Directional LearningCHAI Yan,SUN Xiaoxiao,REN ShengSchool of Science,Liaoning Technical University,Fuxin,Liaoning 123000,ChinaAbstract：Sparrow search algorithm in the iterative process has poor performance such as the low population diversityand the tendency of falling into local optima.To address the mentioned problems,a chaotic sparrow search algorithmbased on multi-directional learning is proposed in this paper.The Hnon chaotic sequence is employed to initialize thepopulation,the proposed initialization method increases the diversity of the sparrow population,and expands the searchrange of feasible solutions,which can lay the foundation for global optimization.The multi-directional learning strategy isadopted to increase the opportunity of sparrow followers to explore unknown areas,and to balance the local developmentperformance and global search ability of the algorithm.Moreover,the mutation strategy of genetic algorithm is used to dis-turb and mutate the current optimal individual according to the dynamic mutation probability while the algorithm trappedin the local optimum.The MSSA algorithm is applied to the wireless sensor network node coverage optimization problem.The numerical experiment results and the Wilcoxon rank sum test results show that the MSSA algorithm has more obvi-ous advantages in terms of convergence accuracy and convergence speed.Key words：sparrow search algorithms;Hnon chaos mapping;multi-directional learning strategy;variational operators;wireless sensor network基金项目：教育部规划基金青年项目（21YJCZH204）；辽宁省自然科学基金（2020-MS-301）；辽宁省教育厅项目（LJ2019JL017）。作者简介：柴岩（1970），女，硕士，教授，研究方向为最优化理论与应用，E-mail：；孙笑笑（1995），女，硕士研究生，研究方向为最优化理论与应用；任生（1997），男，硕士研究生，研究方向为最优化理论与应用。收稿日期：2022-05-27修回日期：2022-09-23文章编号：1002-8331（2023）06-0081-11Computer Engineering and Applications计算机工程与应用81Computer Engineering and Applications计算机工程与应用2023，59（6）较大的影响，为了增强算法局部开发和全局探索能力，王子恺等人12使用排序配对学习与竞争学习策略分别更新跟随者和警戒者，确保各代的最优解信息能够引导下一代的位置更新。不同的智能算法解决优化问题时有不同的优化效果，因此，融合不同算法同样能提高SSA算法的优化性能，田露等人13在SSA算法的基础上引入算术优化算法，提出融合哈密顿图的麻雀与算术混合优化算法；吕鑫等人14结合鸟群算法中飞行行为的思想优化麻雀搜索算法，提出基于改进麻雀搜索算法的多阈值图像分割；Ouyang等人15将模拟退火算法与麻雀搜索算法结合，提出镜头学习麻雀搜索算法。上述文献从不同角度对SSA算法进行改进，在一定程度上减小了算法落入局部极值的可能性，但在提高收敛精度，加强开发能力等方面仍存在一定的改进空间。针对原始SSA算法的不足之处，提出一种基于融合多向学习的混沌麻雀搜索算法（chaotic sparrow searchalgorithm based on multi-directional learning，MSSA）。SSA算法随机产生初始解的方式容易降低种群的多样性，故采用Hnon混沌映射使得初始麻雀的位置遍历整个搜索空间提高解的质量；为增加麻雀个体探索未知领域的机会，对跟随者采用多向学习策略；对局部最优个体引用遗传算法中的变异策略进行变异产生新解，加强算法跃出局部最优的能力。为检验MSSA算法的优化性能，设计四组实验，结果表明MSSA算法在全局寻优精度以及收敛速度上都表现优异。最后利用MSSA算法优化无线传感网络覆盖部署，与SSA算法相比MSSA算法能够更加合理的分配无线传感网络资源。1麻雀搜索算法在麻雀搜索算法当中，麻雀种群根据个体能力不同分为发现者、跟随者和侦察者。其中，发现者在群体中占主要地位，负责寻找食物并为整个群体提供觅食方向和区域，跟随者则是根据发现者提供的信息来寻得食物。在麻雀觅食行为中会有侦察警觉行为，当种群中的侦察者发现周围有捕食者时，会发出报警信号，当报警信号大于警戒值时，发现者会带领整个种群另寻觅食地点。发现者位置更新：在SSA中，具有良好适应度值的发现者在搜索过程中会优先获取食物，位置更新公式如下：Xt+1i,j=|Xti,jexp(-iitermax),R1STXti,j+QL,R1ST（1）其中，t为当前迭代次数，j=1,2,d,itermax为最大迭代次数。Xij表示第i只麻雀在第j维中的位置信息。(0,1是一个随机数。R1、ST分别是预警值和警戒值，且R10,1,ST0.5,1。Q是服从正态分布的随机数。L为一个1d的单位矩阵。当R1n/2Xt+1p+|Xti,j-Xt+1pA+L,otherwise（2）其中，Xp是目前发现者所占据最优位置。Xworst表示当前全局最差位置。A为1d的矩阵，矩阵中每个元素随机赋值 1 或-1且A+=AT(AAT)-1。当in/2时，表明适应度值较低的第i只麻雀没有获得食物，需要飞到其他地方觅食。侦察者位置更新：意识到危险的麻雀为侦察者，占麻雀种群的10%20%，位置更新如下：Xt+1i,j=|Xtbest+|Xti,j-Xtbest,fifgXti,j+K(|Xti,j-Xtworst(fi-fw)+),fi=fg（3）其中，Xbest是当前全局最优位置。是服从均值0，方差为1的正态分布随机数。K-1,1是一个随机数。fi则是当前麻雀个体的适应度值。fg、fw分别是当前全局最佳和最差适应度值。为最小常数，以避免分母出现0的情况。fifg时为麻雀处于种群边缘，容易受到天敌的攻击，fi=fg时为麻雀意识到危险，需要靠近其他麻雀减少被捕食的风险。2改进的SSA算法2.1Hnon混沌映射策略SSA算法采用随机初始化方式产生初始解，这种方式会导致初始种群分布的均匀化程度偏低，算法寻优能力受限。而混沌映射具有随机性、遍历性和规律性等特点，有助于算法更加动态和全局地探寻搜索空间，可以有效规避上述问题。常见的传统混沌映射主要有 Logistic 混沌映射、Tent混沌映射、Hnon混沌映射等，其产生的种群分布如图1所示。可以看出Logistic映射具有遍布不均的缺点，使其在0，0.1与0.9，1两个范围内的取值概率高于其他范围，导致算法寻优效果降低；Tent映射虽具有较好的遍历性，但映射本身具有小周期和有理数不动点的特征，该特征导致数据一旦落入不动点周期内必然会使序列趋于稳定而造成算法失效。Hnon混沌映射相对更加稳定且具有与Tent映射相似的均匀性，种群能够最大程度上覆盖搜索盲区，增加麻雀个体多样性，避免出现算法停滞，增强算法寻优能力。822023，59（6）因此采用Hnon混沌映射对SSA算法进行种群初始化，数学表达式为：y1(t)=1-a(y1(t-1)2+y2(t-1)y2(t)=by1(t)（4）其中，t代表混沌迭代次数。a=1.4,b=0.3时y1(t)和y2(t)表现出混沌特性，初始值的微小变化，会导致后面混沌序列的很大不同，使得该混沌序列可以不重复地遍历整个搜索空间。z(t)=abs(y1(t),i=1,2,n（5）本文利用Hnon混沌序列y1(t)，根据公式（5）将它从范围-1.28,1.27规范到0,1内。xti=lbi+z(t)(ubi-lbi)（6）最后通过公式（6）得到初始麻雀的位置