混合策略改进的麻雀搜索算法

doi:10.3778/j.issn.1002-8331.2101-0161

摘要/Abstract

摘要：

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题，提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置，增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式，改进发现者的位置更新策略，增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动，提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验，结果表明所提算法具有更好的收敛性和求解精度，全局寻优能力得到大幅提升。

关键词: 麻雀搜索算法, 蝴蝶优化算法, 逐维变异策略, Wilcoxon秩和检验

Abstract:

Aiming at the shortcomings of the sparrow search algorithm in the iterations of population diversity reduction, easy to fall into local optimality and slow convergence speed, a Mixed Strategy improved Sparrow Search Algorithm（MSSSA） is proposed. Circle map is used to initialize the individual positions of sparrows to increase the diversity of the initial population. Combining the butterfly optimization algorithm the location update method of the discoverer is improved to enhance global exploration ability of the algorithm. The dimensional-by-dimensional mutation method is used to perturb the individual position and improve the algorithm’s ability to jump out of the local optimum. In the simulation experiment, it compares with 4 basic algorithms and 5 improved algorithms based on 10 benchmark functions and performs Wilcoxon rank sum test. The results show that the proposed algorithm has better convergence and solution accuracy, global optimization ability has been greatly improved.

Key words: sparrow search algorithm, butterfly optimization algorithm, dimensional-by-dimensional mutation strategy, Wilcoxon rank sum test

张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.

ZHANG Weikang, LIU Sheng, REN Chunhui. Mixed Strategy Improved Sparrow Search Algorithm[J]. Computer Engineering and Applications, 2021, 57(24): 74-82.

参考文献

[1] KARABOGA D.An idea based on honey bee swarm for numerical optimization，TR06[R].Kayseri，Turkey：Erciyes University，2005.
[2] MIRJALILI S，MIRJALILI S M，LEWIS A，et al.Grey wolf optimizer[J].Advances in Engineering Software，2014，69：46-61.
[3] MIRJALILI S，LEWIS A.The whale optimization algorithm[J].Advances in Engineering Software，2016，95（5）：51-67.
[4] ARORA S，SINGH S.Butterfly optimization algorithm：a novel approach for global optimization[J].Soft Computing，2019，23（3）：715-734.
[5] XUE J，SHEN B.A novel swarm intelligence optimization approach：sparrow search algorithm[J].Systems Science & Control Engineering，2020，8（1）：22-34.
[6] 吕鑫，慕晓冬，张钧.基于改进麻雀搜索算法的多阈值图像分割[J].系统工程与电子技术，2021，43（2）：318-327.
LYU X，MU X D，ZHANG J.Multi-threshold image segmentation based on improved sparrow search algorithm[J].Systems Engineering and Electronics，2021，43（2）：318-327.
[7] 毛清华，张强.融合柯西变异和反向学习的改进麻雀算法[J].计算机科学与探索，2021，15（6）：1155-1164.
MAO Q H，ZHANG Q.Improved sparrow algorithm combining Cauchy mutation and opposition-based learning[J].Journal of Frontiers of Computer Science and Technology，2021，15（6）：1155-1164.
[8] ARORA S，ANAND P.Chaotic grasshopper optimization algorithm for global optimization[J].Neural Computing and Applications，2018，31：4385-4405.
[9] 杨迪雄，李刚，程耿东.非线性函数的混沌优化方法比较研究[J].计算力学学报，2004，21（3）：257-262.
YANG D X，LI G，CHENG G D.Comparative study on chaos optimization algorithm for nonlinear function[J].Chinese Journal of Computational Mechanics，2004，21（3）：257-262.
[10] 单梁，强浩，李军，等.基于Tent映射的混沌优化算法[J].控制与决策，2005，20（2）：179-182.
SHAN L，QIANG H，LI J，et al.Chaotic optimization algorithm based on Tent map[J].Control and Decision，2005，20（2）：179-182.
[11] 张达敏，徐航，王依柔，等.嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法[J].控制与决策，2021，36（5）：1173-1180.
ZHANG D M，XU H，WANG Y R，et al.Whale optimization algorithm for embedded circle mapping and one-dimensional oppositional learning based small hole imaging[J].Control and Decision，2021，36（5）：1173-1180.
[12] 沈锡，胡江强，尹建川.一种搜索空间自适应变化的自适应粒子群算法[J].大连海事大学学报，2011，37（1）：103-106.
SHEN X，HU J Q，YIN J C.A adaptive particle swarm optimization algorithm with adaptive linear decreasing search space[J].Journal of Dalian Maritime University，2011，37（1）：103-106.
[13] 陈连兴，牟永敏.一种改进的樽海鞘群算法[J].计算机应用研究，2021，38（6）：1648-1652.
CHEN L X，MU Y M.Improved salp swarm algorithm[J].Application Research of Computers，2021，38（6）：1648-1652.
[14] 宁杰琼，何庆.混合策略改进的蝴蝶优化算法[J].计算机应用研究，2021，38（6）：1718-1723.
NING J Q，HE Q.Mixed strategy to improve butterfly optimization algorithm[J].Application Research of Computers，2021，38（6）：1718-1723.
[15] 周方俊，王向军.基于t分布变异的进化规划[J].电子学报，2008，36（4）：667-671.
ZHOU F J，WANG X J.Evolutionary programming using mutations based on the t probability distribution[J].Acta Electronica Sinica，2008，36（4）：667-671.
[16] KENNEDY J，EBERHART R.Particle swarm optimization[C]//Proceedings of the IEEE International Conference on Neural Networks，1995：1942-1948.
[17] 高文欣，刘升，肖子雅，等.柯西变异和自适应权重优化的蝴蝶算法[J].计算机工程与应用，2020，56（15）：43-50.
GAO W X，LIU S，XIAO Z Y.Butterfly optimization algorithm based on Cauchy variation and adaptive weight[J].Computer Engineering and Applications，2020，56（15）：43-50.
[18] 肖子雅，刘升.精英反向黄金正弦鲸鱼算法及其工程优化研究[J].电子学报，2019，47（10）：2177-2186.
XIAO Z Y，LIU S.Study on elite opposition-based golden-sine whale optimization algorithm and its application of project optimization[J].Acta Electronica Sinica，2019，47（10）：2177-2186.