群体智能优化算法之鲸鱼优化算法

码龄11年

关注

原创 2022-02-04 17:44:20 6.5k 阅读

启发式优化算法——鲸鱼算法在我的首篇文章中已介绍了启发式优化算法的相关内容及其在模式识别领域中的应用。本文以使用优化算法优化多机器学习分类器在某二分类模式识别任务时决策级融合（加权投票）的权重为例，介绍鲸鱼算法的原理及实现过程。阅读详情

转载自我的个人网站 https://wzw21.cn/2022/01/08/woa/

鲸鱼优化算法

鲸鱼群体

鲸鱼是世界上最大的哺乳动物，是有情感的高智商动物，大部分鲸鱼被认为是食肉动物且群居。座头鲸是最大的长须鲸之一，它们使用一种独特的捕猎方式来猎食虾群和鱼群，被称为泡泡网（Bubble-net）捕猎方式，如图4、图5所示。它们在捕食时以螺旋式逼近猎物，吐出气体形成气泡，迫使鱼群聚集以方便捕食。鲸鱼优化算法便是受启发于鲸鱼（特别是座头鲸）的捕猎方式。
在这里插入图片描述

图4：“泡泡网”捕猎示意图，引用自论文《The whale optimization algorithm》

在这里插入图片描述

图5：座头鲸捕猎场景

模型与算法

鲸鱼优化算法与灰狼优化算法相似，都采用对目标位置先进行包围再捕食的策略。不同点在于鲸鱼优化算法直接将当前最优解作为包围中心，且鲸鱼优化算法的捕猎逼近过程分为两种，第一种逐步降低距离，另一种以螺旋形逼近。鲸鱼优化算法的基本位置更新方式与灰狼优化算法相同，见灰狼优化算法公式(1)至(4)。

鲸鱼优化算法基于一个随机数p∈[0,1]来决定当前搜索单元的行动，有50%的概率直接根据目标位置进行移动，有50%的概率以螺旋线逼近猎物。鲸鱼在捕猎时的行为被定义为：
$\vec{X}(t+1)= \left\{ \begin{array}{l} \vec{X}^*(t)-\vec{A}\cdot\vec{D} \\ \vec{D'}\cdot e^{bl}\cdot cos(2πl)+\vec{X}^*(t) \end{array} \begin{array}{r} p<0.5 \\ p≥0.5 \end{array} \right. \tag1$
其中， $\vec{X}^*(t)$ 可能是当前最优解的位置也可能是一个随机搜索单元的位置，取决于 $|\vec{A}|$ 的值，b决定螺旋线形状，l为随机值∈[-1,1]， $\vec{D'}=|\vec{X}^*(t)-\vec{X}(t)|$ 。鲸鱼优化算法搜索机制示意图如图6所示。
在这里插入图片描述

图6：鲸鱼优化算法搜素机制，（a）缩小包围机制（b）螺旋更新位置，引用自论文《The whale optimization algorithm》

鲸鱼优化算法的伪代码如下：

初始化鲸鱼种群 Xi (i=1,2,…,n)
计算每个搜索单元的适应度
X*=最优搜索单元
while (t<最大迭代次数)
  for (每个搜索单元)
    更新a, A, C, l, p
    if1 (p<0.5)
      if2 (|A|<1)
        根据最优个体更新当前搜索单元的位置
      else if2 (|A|≥1)
        随机选择一个搜索单元Xrand
        根据Xrand更新当前搜索单元的位置
      end if2
    else if1 (p≥0.5)
      根据最优个体螺旋更新当前搜索单元的位置
    end if1
  end for
  检查是否有超出搜索范围的搜索单元，并进行修正
  计算所有搜索单元的适应度
  更新X*
  t=t+1
end while
return X*

收录于