融入动态学习与高斯变异的自适应秃鹰搜索算法

doi:10.3969/j.issn.1006-2475.2024.01.019

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (01): 117-126.doi: 10.3969/j.issn.1006-2475.2024.01.019

• 算法设计与分析 • 上一篇

融入动态学习与高斯变异的自适应秃鹰搜索算法

（1.牡丹江师范学院数学科学学院，黑龙江牡丹江 157009； 2.牡丹江师范学院应用数学研究所，黑龙江牡丹江 157009；
3.牡丹江师范学院计算机与信息技术学院，黑龙江牡丹江 157009）

出版日期:2024-01-23 发布日期:2024-02-26
作者简介:夏煌智（1999—），男，福建福州人，CCF学生会员，硕士研究生，研究方向：机器学习，数据挖掘，E-mail： xiahuangzhi_bread@163.com；通信作者：陈丽敏（1970—），女，黑龙江肇源人，教授，CCF会员，硕士生导师，博士，研究方向：机器学习，数据挖掘，E-mail： chenlimin_clm@126.com；毛雪迪（1997—），女，黑龙江肇东人，硕士研究生，研究方向：机器学习，智能计算，E-mail： mxd1127853433@163.com。
基金资助:
黑龙江省自然科学基金资助项目（LH2019F051）；牡丹江师范学院科技创新项目（kjcx2022-019mdjnu， kjcx2022-097mdjnu）

Adaptive Bald Eagle Search Algorithm with Dynamic Learning and Gaussian Mutation

（1. School of Mathematical Science， Mudanjiang Normal University， Mudanjiang 157009， China；
2. Institute of Applied Mathematics， Mudanjiang Normal University， Mudanjiang 157009， China；
3. School of Computer and Information Technology， Mudanjiang Normal University， Mudanjiang 157009， China）

Online:2024-01-23 Published:2024-02-26

摘要/Abstract

摘要： 摘要：针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题，提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先，引入Circle混沌映射丰富初始种群的多样性，在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力；其次，令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习，产生出适应性强的秃鹰个体；最后，对最佳搜索位置的秃鹰个体执行高斯变异策略，根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体，种群中多数秃鹰个体的适应性得到增强，能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。

关键词: 关键词：秃鹰搜索算法, Circle混沌映射, 非线性权重, 动态学习, 高斯变异

Abstract: Abstract： To address the problems of uneven initial population distribution， poor individual adaptability and the tendency to fall into local optimality in bald eagle search algorithm， an improved bald eagle search algorithm is proposed for solving function optimization problems. Firstly， the Circle chaos mapping strategy is introduced in the initialization phase to enrich the diversity of the initial bald eagle individuals. The nonlinear weights are introduced to break the inherent linear search pattern of bald eagle individuals in the selected search space phase， and adaptively adjust the ability of the algorithm to search and exploit. Secondly， the bald eagle leader learns dynamically from the representative bald eagle individuals in the best search position. The purpose is to update the individual adaptive bald eagles during the spiral search. Finally， the Gaussian variation strategy is executed for the bald eagle individuals in the best search position， and the bald eagle leader individuals in the curve swoop process are updated iteratively according to the size of individual fitness， and the fitness of most bald eagle individuals in the population is enhanced， which can avoid the stagnation situation of algorithm in the function search to a certain extent. Based on some benchmark test functions and comparative experiments of some CEC2017 functions， the superiority of the algorithm proposed in this paper is verified.

Key words: Key words： bald eagle search algorithm, Circle chaotic map, non-linear weight, dynamic learning, Gaussian mutation

中图分类号:

TP301.6

夏煌智, 陈丽敏, 毛雪迪, . 融入动态学习与高斯变异的自适应秃鹰搜索算法[J]. 计算机与现代化, 2024, 0(01): 117-126.

XIA Huang-zhi, CHEN Li-min, MAO Xue-di, . Adaptive Bald Eagle Search Algorithm with Dynamic Learning and Gaussian Mutation[J]. Computer and Modernization, 2024, 0(01): 117-126.

参考文献［31］

［1］	LOU A. A fusion algorithm of gravitational search and Tabu search［C］// Proceedings of the 2019 International Conference on Artificial Intelligence and Computer Science. 2019：150-157.
［2］	CHITTY D M. Partial-ACO as a GA mutation operator applied to TSP instances［C］// Proceedings of the Genetic and Evolutionary Computation Conference Companion. 2021：69-70.
［3］	赵然，郭志川，朱小勇. 一种基于Levy飞行的改进蝗虫优化算法［J］. 计算机与现代化， 2020（1）：104-110.
［4］	DHIMAN G， KAUR A. STOA： A bio-inspired based optimization algorithm for industrial engineering problems［J］. Engineering Applications of Artificial Intelligence， 2019，82：148-174.
［5］	KENNEDY J， EBERHART R. Particle swarm optimization ［C］// Proceedings of International Conference on Neural Networks. 1995，4：1942-1948.
［6］	SANKALAP A， SATVIR S. Butterfly optimization algorithm： A novel approach for global optimization［J］. Soft Computing， 2019，23（3）：715-734.
［7］	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014，69：46-61.
［8］	KARABOGA D. An Idea Based on Honey Bee Swarm for Numerical Optimization［R］. Turkey：Erciyes University， 2005.
［9］	MIRJALILI S. SCA： A Sine Cosine algorithm for solving optimization problems［J］. Knowledge-Based Systems， 2016，
	96：120-133.
［10］	STORN R， PRICE K. Differential evolution： A simple and efficient heuristic for global optimization over continuous spaces［J］. Journal of global optimization， 1997，11（4）：341-359.
［11］	ALSATTAR H A， ZAIDAN A A， ZAIDAN B B. Novel meta-heuristic bald eagle search optimisation algorithm［J］. Artificial Intelligence Review， 2020，53（3）：2237-2264.
［12］	ZHANG Y H， ZHOU Y Q， ZHOU G， et al. A curve approximation approach using bio-inspired polar coordinate bald eagle search algorithm［J］. International Journal of Computational Intelligence Systems， 2022，15（1）. DOI：10.1007/s44196-022-00084-7.
［13］	LIU W L， ZHANG J， WEI W， et al. A hybrid bald eagle search algorithm for time difference of arrival localization［J］. Applied Sciences， 2022，12（10）：5221. DOI： 10.3390/
	app12105221.
［14］	SAYED G I， SOLIMAN M M， HASSANIEN A E. A novel melanoma prediction model for imbalanced data using optimized squeezenet by bald eagle search optimization［J］. Computers in Biology and Medicine， 2021，136（10）. DOI： 10.1016/j.compbiomed.2021.104712.
［15］	YAN J X， LI G， QI G P， et al. Improved feed forward with bald eagle search for conjunctive water management in deficit region［J］. Chemosphere， 2022，309（3）. DOI： 10.1016/j.chemosphere.2022.136614.
［16］	郭云川，张长胜，段青娜，等. 融合多策略的改进秃鹰搜索算法［J/OL］.控制与决策：1-9［2023-02-23］. https：//doi.org/10.13195/j.kzyjc.2022.0211.
［17］	SHARMA S R， KAUR M， SINGH B. A self-adaptive bald eagle search optimization algorithm with dynamic opposition-based learning for global optimization problems［J］. Expert Systems， 2022. DOI： 10.1111/exsy.13170.
［18］	丁容，高建瓴，张倩 .融合自适应惯性权重和柯西变异的秃鹰搜索算法［J/OL］. 小型微型计算机系统：1-9［2023-01-13］. http：//kns.cnki.net/kcms/detail/21.1106.TP.20220
	418.1308.018.html.
［19］	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.
［20］	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.
［21］	宋立钦，陈文杰，陈伟海，等. 基于混合策略的麻雀搜索算法改进及应用［J/OL］. 北京航空航天大学学报：1-16［2023-02-23］. https：//doi.org/10.13700/j.bh.1001-5965.
	2021.0629.
［22］	张达敏，陈忠云，辛梓芸，等. 基于疯狂自适应的樽海鞘群算法［J］. 控制与决策，2020，35（9）：2112-2120.
［23］	LI Y， YU X M， LIU J S. An opposition-based butterfly optimization algorithm with adaptive elite mutation in solving complex high-dimensional optimization problems［J］. Mathematics and Computers in Simulation， 2023，204：498-528.
［24］	卓然，王未卿. 混沌映射与动态学习的自适应樽海鞘群算法［J］. 计算机工程与设计， 2021，42（7）：1963-1972.
［25］	JI Y S， ZHAO X C， HAO J L. A novel UAV path planning algorithm based on double-dynamic biogeography-based learning particle swarm optimization［J］. Mobile Information Systems， 2022，2022：1-23.
［26］	LI G， DONG J Y， YEH W C， et al. DLEA： A dynamic learning evolution algorithm for many-objective optimization［J］. Information Sciences， 2021，574：567-589.
［27］	CHEN L， TIAN Y， MA Y P. An improved grasshopper optimization algorithm based on dynamic dual elite learning and sinusoidal mutation［J］. Computing， 2022，104（5）：981-1015.
［28］	XU Y T， CHEN H L， LUO J， et al. Enhanced moth-flame optimizer with mutation strategy for global optimization［J］. Information Sciences， 2019，492：181-203.
［29］	ZHANG X， XU Y T， YU C Y， et al. Gaussian mutational chaotic fruit fly-built optimization and feature selection［J］. Expert Systems with Applications， 2020，141. DOI： 10.1016/j.eswa.2019.112976.
［30］	SONG S M， WANG P J， HEIDARI A A， et al. Dimension decided Harris hawks optimization with Gaussian mutation： Balance analysis and diversity patterns［J］. Knowledge-Based
	Systems， 2021，215. DOI：10.1016/j.knosys.2020.106425.
［31］	HAO X D， FANG Y M， MA S D， et al. Multi-swarm improved moth-flame optimization algorithm with chaotic grouping and Gaussian mutation for solving engineering optimization problems［J］. Expert Systems with Applications， 2022，204（5）.

[1]	卢磊, 贺智明, 黄志成. 基于多策略改进的麻雀搜索算法[J]. 计算机与现代化, 2023, 0(10): 23-31.
[2]	王振庭, 陈永府, 刘田. 智能仓储中的多机器人调度方法[J]. 计算机与现代化, 2020, 0(07): 65-70.
[3]	曾竟. 基于SALSA的社交网络重要节点发现算法[J]. 计算机与现代化, 2018, 0(12): 67-.
[4]	张利娟1，仇建伟1，杜登崇2，王鑫1. 基于Spark和PSO算法的军事物流配送路径优化问题研究[J]. 计算机与现代化, 2018, 0(11): 65-.
[5]	王植. 基于差分进化的混沌量子粒子群优化算法[J]. 计算机与现代化, 2017, 0(8): 22-.
[6]	李春利，柳振东，惠康华. 基于余弦相似度的边界样本选择方法[J]. 计算机与现代化, 2017, 0(8): 66-.
[7]	申慧君. 基于复合正则化的高效压缩感知磁共振成像研究[J]. 计算机与现代化, 2016, 0(5): 39-45.

融入动态学习与高斯变异的自适应秃鹰搜索算法

Adaptive Bald Eagle Search Algorithm with Dynamic Learning and Gaussian Mutation

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献［31］

相关文章 7

编辑推荐

Metrics

本文评价

融入动态学习与高斯变异的自适应秃鹰搜索算法

Adaptive Bald Eagle Search Algorithm with Dynamic Learning and Gaussian Mutation

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［31］

相关文章 7

编辑推荐

Metrics

本文评价

参考文献［31］