留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

混沌麻雀搜索优化算法

吕鑫 慕晓冬 张钧 王震

吕鑫, 慕晓冬, 张钧, 等 . 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8): 1712-1720. doi: 10.13700/j.bh.1001-5965.2020.0298
引用本文: 吕鑫, 慕晓冬, 张钧, 等 . 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8): 1712-1720. doi: 10.13700/j.bh.1001-5965.2020.0298
LYU Xin, MU Xiaodong, ZAHNG Jun, et al. Chaos sparrow search optimization algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(8): 1712-1720. doi: 10.13700/j.bh.1001-5965.2020.0298(in Chinese)
Citation: LYU Xin, MU Xiaodong, ZAHNG Jun, et al. Chaos sparrow search optimization algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(8): 1712-1720. doi: 10.13700/j.bh.1001-5965.2020.0298(in Chinese)

混沌麻雀搜索优化算法

doi: 10.13700/j.bh.1001-5965.2020.0298
详细信息
    通讯作者:

    慕晓冬. E-mail: wascom4@sina.com

  • 中图分类号: TP301.6

Chaos sparrow search optimization algorithm

More Information
  • 摘要:

    针对麻雀搜索算法(SSA)在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出了一种混沌麻雀搜索优化算法(CSSOA)。首先,通过改进Tent混沌序列初始化种群,提高初始解的质量,增强算法的全局搜索能力。其次,引入高斯变异的方法,加强局部搜索能力,提高搜索精度;同时以搜索停滞的解为基础产生Tent混沌序列,用此混沌序列对部分陷入局部最优的个体进行混沌扰动,促使算法跳出限制继续搜索。最后,对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点,提高算法的搜索精度、收敛速度和稳定性。同时,将CSSOA应用到简单图像分割问题,验证了CSSOA应用于实际工程问题的可行性。

     

  • 图 1  Logistic混沌序列分布

    Figure 1.  Logistic chaotic sequence distribution

    图 2  5种算法在基准函数上的收敛曲线比较

    Figure 2.  Comparison of convergence curves of 5 algorithms obtained on benchmark functions

    图 3  标准测试图像分割结果

    Figure 3.  Segmentation results of standard test image

    图 4  舰船SAR图像分割结果

    Figure 4.  Segmentation results of ship SAR image

    表  1  基准函数

    Table  1.   Benchmark functions

    函数类型 基准测试函数 维度 搜索空间 最优值
    高维单峰 30 [-100, 100]n 0
    30 [-10, 10]n 0
    30 [-100, 100]n 0
    30 [-100, 100]n 0
    30 [-1.28, 1.28]n 0
    高维多峰 30 [-500, 500]n -418.982 9n
    30 [-5.12, 5.12]n 0
    30 [-32, 32]n 0
    30 [-600, 600]n 0
    低维多峰 2 [-65, 65]2 1
    6 [0, 1]4 -3.32
    4 [0, 10]10 -10.536
    下载: 导出CSV

    表  2  基准函数优化结果比较

    Table  2.   Optimization result comparison of benchmark functions

    类型 函数 PSO GWO WOA SSA CSSOA
    平均值 标准差 平均值 标准差 平均值 标准差 平均值 标准差 平均值 标准差
    高维单峰 F1 5.073 1.718 1.587×10-2 9.820×10-3 3.136×10-11 8.830×10-11 3.757×10-24 2.058×10-23 6.186×10-78 3.195×10-77
    F2 6.920 2.727 2.516×10-2 9.797×10-3 1.637×10-8 4.417×10-8 1.673×10-13 7.279×10-13 1.745×10-40 4.160×10-40
    F3 1.429×103 6.541×102 2.654×10-2 2.405×102 1.019×105 2.836×104 6.526×10-14 3.313×10-13 3.292×10-65 1.283×10-64
    F4 5.159 1.412 1.503 6.449×10-1 6.399×10 2.410×10 6.980×10-16 3.278×10-15 5.188×10-39 2.247×10-38
    F5 1.271×10 9.092 1.935×10-2 8.231×10-3 1.579×10-2 1.533×10-2 4.250×10-3 4.383×10-3 7.229×10-4 6.384×10-4
    高维多峰 F6 -3.211×103 4.485×102 -5.466×103 9.532×102 -9.034×103 1.675×103 -8.513×103 6.873×102 -1.109×104 7.128×102
    F7 1.896×102 4.051×101 4.288×101 1.779×10 3.923×10-1 1.271 2.266×102 3.867×10 0 0
    F8 3.035 3.845×10-1 2.553×10-2 9.419×10-3 4.154×10-7 6.556×10-7 1.480×10-15 1.885×10-15 8.882×10-16 0
    F9 2.977×101 8.579 2.474×10-1 1.233×10-1 8.940×10-2 2.365×10-1 4.736×10 5.372×10 0 0
    低维多峰 F10 3.565 2.217 5.700 4.123 3.396 2.921 5.552 5.217 1.164 5.265×10-1
    F11 -3.274 5.924×10-2 -3.228 8.406×10-2 -3.190 8.603×10-2 -3.267 6.033×10-2 -3.306 4.111×10-2
    F12 -8.554 3.376 -9.778 2.227 -5.023 2.705 -7.647 2.738 -1.054×10 1.281×10-5
    下载: 导出CSV

    表  3  基准函数的优化结果比较

    Table  3.   Optimization result comparison of benchmark functions

    函数 PSO GWO WOA SSA CSSOA
    迭代次数 时间/s 迭代次数 时间/s 迭代次数 时间/s 迭代次数 时间/s 迭代次数 时间/s
    F1 100 0.033 100 0.061 100 0.190 95 0.128 6 0.021
    F2 100 0.024 100 0.048 100 0.185 100 0.118 6 0.011
    F3 100 0.193 100 0.225 100 0.351 100 0.417 7 0.054
    F4 100 0.033 100 0.058 100 0.192 100 0.137 6 0.018
    F5 100 0.035 100 0.061 100 0.192 100 0.139 4 0.014
    F6 100 0.027 100 0.045 100 0.184 100 0.121 3 0.011
    F7 100 0.036 100 0.068 100 0.196 42 0.067 5 0.024
    F8 100 0.042 100 0.068 100 0.199 100 0.151 6 0.023
    F9 100 0.049 100 0.073 100 0.206 41 0.066 5 0.017
    F10 77 0.177 89 0.227 69 0.173 100 0.480 5 0.040
    F11 82 0.036 85 0.055 98 0.087 100 0.174 9 0.027
    F12 97 0.080 100 0.106 100 0.120 100 0.230 4 0.019
    下载: 导出CSV

    表  4  图像分割阈值

    Table  4.   Image segmentation threshold

    类型 图像 最大值 最小值 平均值 标准差
    标准测试图像 Lena 118 116 117.033 0.490
    Man 91 88 89.067 0.450
    舰船SAR图像 图像1 124 121 123.067 0.583
    图像2 126 124 125.100 0.403
    下载: 导出CSV
  • [1] 王龙龙. 基于改进鸟群算法在图像分割中的应用[D]. 赣州: 江西理工大学, 2019: 5.

    WANG L L. Application of improved bird group algorithm in image segmentation[D]. Ganzhou: Jiangxi University of Science and Technology, 2019: 5(in Chinese).
    [2] XUE J K, SHEN B. A novel swarm intelligence optimization approach: Sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34. doi: 10.1080/21642583.2019.1708830?tab=permissions
    [3] 刘明霞, 游晓明, 刘升. 基于聚度的自适应动态混沌蚁群算法[J]. 计算机工程与应用, 2019, 55(3): 15-22. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG201903004.htm

    LIU M X, YOU X M, LIU S. Adaptive dynamic chaotic ant colony algorithm based on degree of aggregation[J]. Computer Engineering and Applications, 2019, 55(3): 15-22(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG201903004.htm
    [4] 杨万里, 周雪婷, 陈孟娜. 基于Logistic映射的新型混沌简化PSO算法[J]. 计算机与现代化, 2019(12): 15-20. doi: 10.3969/j.issn.1006-2475.2019.12.004

    YANG W L, ZHOU X T, CHEN M N. New chaotic simplified particle swarm optimization algorithm based on logistic mapping[J]. Computer and Modernization, 2019(12): 15-20(in Chinese). doi: 10.3969/j.issn.1006-2475.2019.12.004
    [5] 董丽凤, 陈阳, 巫光福. 动态学习混沌映射的粒子群算法[J]. 计算机应用研究, 2019, 36(5): 1319-1322. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201905011.htm

    DONG L F, CHEN Y, WU G F. Chaotic mapping particle swarm optimization algorithm based on variable learning factors[J]. Application Research of Computers, 2019, 36(5): 1319-1322(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201905011.htm
    [6] 韩敏, 何泳. 基于高斯混沌变异和精英学习的自适应多目标粒子群算法[J]. 控制与决策, 2016, 31(8): 1372-1378. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201608004.htm

    HAN M, HE Y. Adaptive multi-objective particle swarm optimization with Gaussian chaotic mutation and elite learning[J]. Control and Decision, 2016, 31(8): 1372-1378(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201608004.htm
    [7] IBRAHIM R A, ELAZIZ M A, LU S F. 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. doi: 10.1016/j.eswa.2018.04.028
    [8] TENG Z J, LV J L, GUO L W. An improved hybrid grey wolf optimization algorithm[J]. Soft Computing, 2019, 23(15): 6617-6631. doi: 10.1007/s00500-018-3310-y
    [9] 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): 108-112. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202012021.htm

    HAO 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): 108-112(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202012021.htm
    [10] 匡芳君, 徐蔚鸿, 金忠. 自适应Tent混沌搜索的人工蜂群算法[J]. 控制理论与应用, 2014, 31(11): 1502-1509. doi: 10.7641/CTA.2014.31114

    KUANG F J, XU W H, JIN Z. Artificial bee colony algorithm based on self-adaptive tent chaos search[J]. Control Theory & Application, 2014, 31(11): 1502-1509(in Chinese). doi: 10.7641/CTA.2014.31114
    [11] LIU L F, SUN S Z, YU H Y, et al. A modified fuzzy C-means (FCM) clustering algorithm and its application on carbonate fluid identification[J]. Journal of Applied Geophysics, 2016, 129: 28-35. doi: 10.1016/j.jappgeo.2016.03.027
    [12] 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. doi: 10.3321/j.issn:1001-0920.2005.02.013

    SHAN L, QIANG H, LI J, et al. Chaotic optimization algorithm based on Tent map[J]. Control and Decision, 2005, 20(2): 179-182(in Chinese). doi: 10.3321/j.issn:1001-0920.2005.02.013
    [13] 张娜, 赵泽丹, 包晓安, 等. 基于改进的Tent混沌万有引力搜索算法[J]. 控制与决策, 2020, 35(4): 893-900. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202004016.htm

    ZHANG N, ZHAO Z D, BAO X A, et al. Gravitational search algorithm based on improved Tent chaos[J]. Control and Decision, 2020, 35(4): 893-900(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202004016.htm
    [14] 江铭炎, 袁东风. 人工蜂群算法及其应用[M]. 北京: 科学出版社, 2014: 110-113.

    JIANG M Y, YUAN D F. Artificial bee colony algorithm and its application[M]. Beijing: Science Press, 2014: 110-113(in Chinese).
    [15] 王晓慧, 刘雪英, 白梅花. 引入高斯变异和最速下降算子的人口迁移算法[J]. 计算机工程与应用, 2009, 45(20): 57-60. doi: 10.3778/j.issn.1002-8331.2009.20.017

    WANG X H, LIU X Y, BAI M H. Population migration algorithm with Gaussian mutation and the steepest descent operator[J]. Computer Engineering and Applications, 2009, 45(20): 57-60(in Chinese). doi: 10.3778/j.issn.1002-8331.2009.20.017
    [16] RUDOLPH G. Local convergence rates of simple evolutionary algorithms with Cauchy mutations[J]. IEEE Transactions on Evolutionary Computation, 1997, 1(4): 249-258. doi: 10.1109/4235.687885
    [17] 李健伟, 曲长文, 彭书娟, 等. 基于卷积神经网络的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2018, 40(9): 1953-1959. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201809009.htm

    LI J W, QU C W, PENG S J, et al. Ship detection in SAR images based on convolutional neural network[J]. Systems Engineering and Electronics, 2018, 40(9): 1953-1959(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201809009.htm
  • 加载中
图(4) / 表(4)
计量
  • 文章访问数:  647
  • HTML全文浏览量:  17
  • PDF下载量:  219
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-28
  • 录用日期:  2020-08-21
  • 刊出日期:  2021-08-20

目录

    /

    返回文章
    返回
    常见问答