ESO:一种增强型蛇优化算法

菜鸟的小小心

已于 2024-12-05 10:47:26 修改

阅读量471

点赞数 5

文章标签：算法

于 2024-12-05 09:23:11 首次发布

本文链接：https://blog.youkuaiyun.com/wa522528/article/details/144255960

版权

文章来源：

ESO: An enhanced snake optimizer for real-world engineering problems .https://doi.org/10.1016/j.eswa.2023.120594

蛇优化器（Snake Optimizer， SO）是一种具有良好优化效果的新算法。然而，由于自然规律的限制，在勘探开发阶段，参数是较为固定的值，使得so算法很快陷入局部优化，收敛速度较慢。本文通过引入一种新的基于对立的学习策略和新的动态更新机制（参数动态更新策略、正弦余弦复合摄动因子、Tent-chaos和Cauchy mutation），提出了一种增强型Snake优化器（ESO），以获得更好的性能。在23个经典基准函数和CEC 2019函数集上测试了ESO的有效性。

改进策略

1，对原算法中的固定参数 c1 修改

$c_{1}^{\text{new}} = c_{1} + \frac{1}{10} \times \cos\left(r_{1}^{4} \times \frac{\pi}{2}\right)$

2，对原算法中的固定参数 c2 修改

$c_{2}^{\text{new}} = c_{2} + \frac{1}{1000} \times \cos\left(r_{2}^{4} \times \frac{\pi}{2}\right)$

3，对原算法中的固定参数 c3 修改

$c_{3}^{\text{new}} = c_{3} - 2 \times \sin\left(\left(\frac{t}{T}\right)^{4} \times \frac{\pi}{2}\right)$

4，基于凸透镜成像的镜面成像策略

$X_{k}^{*} = \frac{UB_{k} + LB_{k}}{2} + \frac{UB_{k} + LB_{k}}{2\delta} - \frac{X_{k}}{\delta}$

其中 $\delta = \delta_{\max} \times \left[ \left( \delta_{\max} - \delta_{\min} \right) - 2 \times \left( \frac{t}{T} \right)^2 \right]$ ， $\delta_{max}=10,\delta_{min}=9$

5,正弦-余弦复合扰动因子

$\lambda_1 = 1 + \frac{1}{10000} \times (\sin(a \times 4\pi \times t) + \cos(a \times 6\pi \times t)) \times e^{\left(\frac{\pi}{100} \times \frac{T - t}{4}\right)}$

$\lambda_2 = 1 + \frac{1}{10000} \times (\cos(a \times 4\pi \times t) + \sin(a \times 6\pi \times t)) \times e^{\left(\frac{\pi}{100} \times \frac{T - t}{4}\right)}$

扰动图

加入扰动后的位置更新公式为

$S_{i}^{m}(t+1) = \lambda_{1} \times S_{i}^{m}(t) + c_{3} \times e^{-f_{\text{best}}^{f} / f_{i}} \times \operatorname{rand}_{i} \times (FQ \times S_{\text{best}}^{f} - S_{i}^{m}(t))$

$S_{i}^{f}(t+1) = \lambda_{2} \times S_{i}^{f}(t) + c_{3} \times e^{-f_{\text{best}}^{m} / f_{i}} \times \operatorname{rand}_{i} \times (FQ \times S_{\text{best}}^{m} - S_{i}^{f}(t))$