引入莱维飞行与动态权重的改进灰狼算法

doi:10.3778/j.issn.1002-8331.2205-0577

摘要/Abstract

摘要： 针对求解复杂优化问题时，灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题，提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置，增加种群多样性；收敛因子采用新的非线性更新策略，在种群迭代全期平衡全局搜索与局部搜索能力；在种群位置更新公式引入莱维飞行与动态权重策略，增加种群跳出局部最优值的概率，提升寻优准确度。通过8个基准函数的测试，并与其他优化算法和改进算法进行对比，LGWO取得了最优的收敛速度与预测精度，并验证了LGWO算法优化高维复杂问题的有效性。

关键词: 灰狼优化算法, 莱维飞行, 动态权重, Singer映射

Abstract: Aiming at the disadvantages of grey wolf optimization（GWO）, such as insufficient global search ability and easy to fall into local optimization in complex optimization problems, an improved grey wolf optimization（LGWO） with Levy flight and dynamic weight strategy is proposed. Firstly, Singer mapping is used to initialization to increase the diversity of the population. Secondly, a new nonlinear convergence factor updating strategy is adopted to balance the global and local search abilities. Finally, Levy flight and dynamic weight strategy are introduced into the position update formula to reduce the risk of falling into local optimum and improve the optimization accuracy. The performance of algorithm is evaluated by comparing experiments on 8 benchmark functions with other optimization algorithms and improved algorithms. The experimental results indicate that the LGWO algorithm is superior to other algorithms in convergence speed and prediction accuracy and the validity of the LGWO algorithm in high dimensional problems is verified.

Key words: grey wolf optimization algorithm, Levy flight, dynamic weight, Singer mapping

丁瑞成, 周玉成. 引入莱维飞行与动态权重的改进灰狼算法[J]. 计算机工程与应用, 2022, 58(23): 74-82.

DING Ruicheng, ZHOU Yucheng. Improved Grey Wolf Optimization Algorithm Based on Levy Flight and Dynamic Weight Strategy[J]. Computer Engineering and Applications, 2022, 58(23): 74-82.

参考文献

[1] MIRJALILI S，MIRJALILI S M，LEWIS A.Grey wolf optimizer[J].Advances in Engineering Software，2014，69：46-61.
[2] 王秋萍，王梦娜，王晓峰.改进收敛因子和比例权重的灰狼优化算法[J].计算机工程与应用，2019，55（21）：60-65.
WANG Q P，WANG M N，WANG X F.Improved grey wolf optimizer with convergence factor and proportional weight[J].Computer Engineering and Applications，2019，55（21）：60-65.
[3] 龙文，蔡绍洪，焦建军，等.求解高维优化问题的混合灰狼优化算法[J].控制与决策，2016，31（11）：1991-1997.
LONG W，CAI S H，JIAO J J，et al.Hybrid grey wolf optimization algorithm for high-dimensional optimization[J].Control and Decision，2016，31（11）：1991-1997.
[4] 蔡娟.混沌映射与精英高斯扰动的非线性灰狼优化算法[J].计算机工程与设计，2022，43（1）：186-195.
CAI J.Non-linear grey wolf optimization algorithm based on chaotic Tent mapping and elite Gauss perturbation[J].Computer Engineering and Design，2022，43（1）：186-195.
[5] 黎素涵，叶春明.重选精英个体的非线性收敛灰狼优化算法[J].计算机工程与应用，2021，57（1）：62-68.
LI S H，YE C M.Improved grey wolf optimizer algorithm using nonlinear convergence factor and elite re-election strategy[J].Computer Engineering and Applications，2021，57（1）：62-68.
[6] 滕志军，吕金玲，郭力文，等.一种基于Tent映射的混合灰狼优化的改进算法[J].哈尔滨工业大学学报，2018，50（11）：40-49.
TENG Z J，LV J L，GUO L W，et al.An improved hybrid grey wolf optimization algorithm based on Tent mapping[J].Journal of Harbin Institute of Technology，2018，50（11）：40-49.
[7] ZHU A，XU C，LI Z，et al.Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC[J].Journal of Systems Engineering and Electronics，2015，26（2）：317-328.
[8] 黄晨晨，魏霞，黄德启，等.求解高维复杂函数的混合蛙跳-灰狼优化算法[J].控制理论与应用，2020，37（7）：1655-1666.
HUANG C C，WEI X，HUANG D Q，et al.Shuffled frog leaping grey wolf algorithm for solving high dimensional complex functions[J].Control Theory & Applications，2020，37（7）：1655-1666.
[9] 李鹏，丁倩雯.基于麻雀算法优化的OSTU分割算法[J].电子测量技术，2021，44（19）：148-154.
LI P，DING Q W.OSTU segmentation algorithm based on sparrow algorithm optimization[J].Electronic Measurement Technology，2021，44（19）：148-154.
[10] 魏政磊，赵辉，李牧东，等.控制参数值非线性调整策略的灰狼优化算法[J].空军工程大学学报（自然科学版），2016，17（3）：68-72.
WEI Z L，ZHAO H，LI M D，et al.A grey wolf optimization algorithm based on nonlinear adjustment strategy of control parameter[J].Journal of Air Force Engineering University（Natural Science Edition），2016，17（3）：68-72.
[11] 徐辰华，李成县，王尤军，等.基于混沌灰狼优化算法的氧化铝质量指标预测模型[J].广西大学学报（自然科学版），2016，41（6）：1869-1878.
XU C H，LI C X，WANG Y J，et al.Quality prediction model of alumina sintering process based on chaotic grey wolf optimization algorithm[J].Journal of Guangxi University（Natural Science Edition），2016，41（6）：1869-1878.
[12] 马卫，朱娴.基于莱维飞行扰动策略的麻雀搜索算法[J].应用科学学报，2022，40（1）：116-130.
MA W，ZHU X.Sparrow search algorithm based on Levy flight disturbance strategy[J].Journal of Applied Science，2022，40（1）：116-130.
[13] 梁田，曹德欣.基于莱维飞行的改进简化粒子群算法[J].计算机工程与应用，2021，57（20）：188-196.
LIANG T，CAO D X.Improved and simplified particle swarm optimization algorithm based on Levy flight[J].Computer Engineering and Applications，2021，57（20）：188-196.
[14] 杨文珍，何庆，杜逆索.具有扰动机制和强化莱维飞行的蝗虫优化算法[J].小型微型计算机系统，2022，43（2）：247-253.
YANG W Z，HE Q，DU N S.Locust optimization algorithm with perturbation mechanism and enhanced Levi flight[J].Journal of Chinese Computer Systems，2022，43（2）：247-253.
[15] 刘成汉，何庆，杜逆索，等.基于双权重因子的改进鲶鱼效应灰狼优化算法[J].小型微型计算机系统，2022，43（2）：320-327.
LIU C H，HE Q，DU N S，et al.Improved catfish effect grey wolf optimization algorithm based on double weight factor[J].Journal of Chinese Computer Systems，2022，43（2）：320-327.
[16] 张大明，徐嘉庆，赵彦清，等.基于停滞检测的双向搜索灰狼优化算法[J].计算机应用研究，2022，39（6）：1725-1730.
ZHANG D M，XU J Q，ZHAO Y Q，et al.Bidirectional search grey wolf optimizer based on stagnation detection[J].Application Research of Computers，2022，39（6）：1725-1730.
[17] TENG Z J，LV J L，GUO L W.An improved hybrid grey wolf optimization algorithm[J].Soft Computing，2019，23（15）：6617-6631.
[18] 郝晓弘，宋吉祥，周强，等.混合策略改进的鲸鱼优化算法[J].计算机应用研究，2020，37（12）：3622-3626.
HE X H，SONG J X，ZHOU Q，et al.Improved whale optimization algorithm based on hybrid strategy[J].Application Research of Computers，2020，37（12）：3622-3626.
[19] 宋美，葛玉辉，刘举胜.基于协同进化的动态双重自适应改进PSO算法[J].计算机工程与应用，2020，56（13）：54-62.
SONG M，GE Y H，LIU J S.Improved dynamic dual adaptive PSO algorithm based on theory of co-evolution[J].Computer Engineering and Applications，2020，56（13）：54-62.
[20] 李洋州，顾磊.基于曲线自适应和模拟退火的蝗虫优化算法[J].计算机应用研究，2019，36（12）：3637-3643.
LI Y Z，GU L.Grasshopper optimization algorithm based on curve adaptive and simulated annealing[J].Application Research of Computers，2019，36（12）：3637-3643.