【智能算法改进】基于差分进化和破坏算子的混沌反向灰狼优化算法用于全局优化问题

1.摘要

本文提出了一种改进的灰狼优化算法以提高GWO算法的探索和开发能力，其改进策略包括混沌logistic映射、反向学习(OBL)、差分进化(DE)和破坏算子(DO)。其中，采用混沌logistic映射和OBL对候选解进行初始化，将DE算子作为一种局部搜索机制，通过更新种群来提高GWO的利用能力。在使用GWO和DE的混合方法更新解后，利用DO来增强探索能力，保持种群的多样性。

2.灰狼优化算法(GWO)

【智能算法】灰狼算法（GWO）原理及实现

3.改进策略

混沌系统Chaotic system

混沌系统被描述为一个非线性、类似随机的确定性有界系统，它既不是周期性的也不会收敛，且对其初始参数和条件高度敏感。由于其规律性、随机性、遍历性和不可预测性，混沌被视为一种可靠的随机性来源，为启发式优化算法提供了一种比传统随机序列更有效的搜索策略。logistic map生成求解序列:
$$G^{t+1}=\mu \times G^t(1-G^t)$$
其中μ为控制参数，μ∈(2,4)。

反向学习Opposition-based learning

反向学习（OBL）是一种方法，用于为种群中的每个解计算其反对解，然后根据其目标函数 f 的值选择最佳解。表达式为:
$$\overline{x}=u+l-x$$

差分进化Differential evolution

差分进化(DE)是一种基于种群的随机优化方法，经典DE(DE/rand/bin)的变异操作:
$${\mathbf{v}}_i^t={\mathbf{x}}_{r1}^t+\varpi \ast ({\mathbf{x}}_{r2}^t-{\mathbf{x}}_{r3}^t)$$

破坏算子Disruption operator

破坏算子（Disruption operator, DO）的灵感来源于天体物理学现象，该现象指出：“当一组由引力束缚的粒子（总质量为 m）非常接近一个大质量物体（质量为 M）时，这组粒子会被撕裂。破坏算子DO定义为:
$$D_{op}=\{\begin{array}{ll}Di{s}_{i,j}\times \psi \left(\frac{-1}{2},\frac{1}{2}\right),ifDi{s}_{i,best}\ge 1& \\ 1+Di{s}_{i,best}\times \psi \left(\frac{-10^{-16}}{2},\frac{10^{-16}}{2}\right),otherwise& \end{array}$$
其中，Dis是两只狼i和j之间的欧氏距离。ψ(a, b)表示在区间[a, b]内均匀分布的随机数。由算子Dop的定义可知，当两只狼距离非常近时，Dop< 1，导致狼向原点收敛。

流程图

4.结果展示

CEC2005

5.参考文献

[1] Ibrahim R A, Abd Elaziz M, Lu S. Chaotic opposition-based grey-wolf optimization algorithm based on differential evolution and disruption operator for global optimization[J]. Expert systems with applications, 2018, 108: 1-27.

6.代码获取