改进型麻雀搜索算法
作者:
基金项目:

宁波市自然科学基金(2021J135)


Improved Sparrow Search Algorithm
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [20]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    针对麻雀搜索算法(sparrow search algorithm, SSA)求解精度依赖于较优位置的群体, 易于陷入局部最优等问题, 提出改进型的麻雀搜索算法(improved sparrow search algorithm, ISSA). 该算法首先提出正态偏移策略, 以重心位置为导向进行种群偏移, 实现移动能量的正态分布衰减, 有效提升种群对局部搜索的勘探能力; 其次引入动态正弦扰动策略, 通过缩放因子实现发现者对前期搜索步长和后期快速收敛的双向需求. 然后针对麻雀种群中位置较差的预警者加入反向学习机制, 以预警者当前位置生成扰动的反向解, 有利于扩大搜索步长, 帮助算法跳出局部最优. 最后随机选取6个测试函数并与其他算法进行比较, 实验结果验证了ISSA算法的有效性.

    Abstract:

    To address the problem that the solution accuracy of the sparrow search algorithm (SSA) depends on the population at the better location and is easily trapped in the local optimum, this study proposes an improved sparrow search algorithm (ISSA). The algorithm firstly proposes a normal shift strategy to shift the population with the center of gravity as the guide to achieve the decay of the normal distribution of the moving energy and effectively improve the exploration ability of the population for local search. Secondly, it introduces a dynamic sinusoidal perturbation strategy to achieve the two-way demands of the discoverer for the early search step and the late fast convergence through the scaling factor. Then, a backward learning mechanism is added for the poorly positioned early warners in the sparrow population to generate the backward solution of the perturbation with their current position, which is helpful to expand the search step and enable the algorithm to jump out of the local optimum. Finally, six test functions are randomly selected and compared with other similar algorithms, and the experimental results verify the effectiveness of the ISSA algorithm.

    参考文献
    [1] 刘威, 付杰, 周定宁, 等. 基于改进郊狼优化算法的浅层神经进化方法研究. 计算机学报, 2021, 44(6): 1200–1213. [doi: 10.11897/SP.J.1016.2021.01200
    [2] Mirjalili S, Lewis A. The whale optimization algorithm. Advances in Engineering Software, 2016, 95: 51–67. [doi: 10.1016/j.advengsoft.2016.01.008
    [3] 李宝帅, 叶春明. 混合鲸鱼优化算法求解柔性作业车间调度问题. 计算机系统应用, 2022, 31(4): 244–252. [doi: 10.15888/j.cnki.csa.008405
    [4] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer. Advances in Engineering Software, 2014, 69: 46–61. [doi: 10.1016/j.advengsoft.2013.12.007
    [5] 蔡娟. 混沌映射与精英高斯扰动的非线性灰狼优化算法. 计算机工程与设计, 2022, 43(1): 186–195. [doi: 10.16208/j.issn1000-7024.2022.01.025
    [6] 肖辉辉, 万常选. 基于多策略的改进花授粉算法. 软件学报, 2021, 32(10): 3151–3175. [doi: 10.13328/j.cnki.jos.006030
    [7] Adithiyaa T, Chandramohan D, Sathish T. Flower pollination algorithm for the optimization of stair casting parameter for the preparation of AMC. Materials Today: Proceedings, 2020, 21: 882–886. [doi: 10.1016/j.matpr.2019.07.711
    [8] 廉杰, 姚鑫, 李占山. 用于特征选择的乌鸦搜索算法的研究与改进. 软件学报, 2022, 33(11): 3903–3916. [doi: 10.13328/j.cnki.jos.006327
    [9] 葛知著, 张达敏, 张琳娜, 等. 混合策略改进的乌鸦搜索算法. 计算机应用研究, 2021, 38(11): 3334–3339. [doi: 10.19734/j.issn.1001-3695.2021.03.0107
    [10] 汪逸晖, 高亮. 乌鸦搜索算法的改进及其在工程约束优化问题中的应用. 计算机集成制造系统, 2021, 27(7): 1871–1883
    [11] 傅文渊. 具有万有引力加速机理的布谷鸟搜索算法. 软件学报, 2021, 32(5): 1480–1494. [doi: 10.13328/j.cnki.jos.006056
    [12] 陈曦, 曹杰, 盛勇, 等. 基于布谷鸟搜索算法的天然气储气库综合能源系统容量优化配置研究. 重庆理工大学学报(自然科学), 2021, 35(6): 209–219
    [13] Xue JK, Shen B. A novel swarm intelligence optimization approach: Sparrow search algorithm. Systems Science & Control Engineering, 2020, 8(1): 22–34
    [14] 张月栋, 莫愿斌. 改进的麻雀搜索算法及其求解旅行商问题. 计算机系统应用, 2022, 31(2): 200–206. [doi: 10.15888/j.cnki.csa.008308
    [15] 张姝, 汤淼. 改进PSO算法及在无人机路径规划中的应用. 计算机系统应用, 2023, 32(3): 330–337. [doi: 10.15888/j.cnki.csa.009025
    [16] 欧阳城添, 朱东林, 邱亚娴. 融合聚类算法的改进麻雀搜索算法. 计算机仿真, 2022, 39(12): 392–397. [doi: 10.3969/j.issn.1006-9348.2022.12.072
    [17] 张琳, 汪廷华, 周慧颖. 一种多策略改进的麻雀搜索算法. 计算机工程与应用, 2022, 58(11): 133–140. [doi: 10.3778/j.issn.1002-8331.2112-0427
    [18] Rahnamayan S, Jesuthasan J, Bourennani F, et al. Computing opposition by involving entire population. Proceedings of the 2014 IEEE Congress on Evolutionary Computation. Beijing: IEEE, 2014. 1800–1807.
    [19] 高晨峰, 陈家清, 石默涵. 融合黄金正弦和曲线自适应的多策略麻雀搜索算法. 计算机应用研究, 2022, 39(2): 491–499. [doi: 10.19734/j.issn.1001-3695.2021.06.0217
    [20] 毛清华, 张强. 融合柯西变异和反向学习的改进麻雀算法. 计算机科学与探索, 2021, 15(6): 1155–1164. [doi: 10.3778/j.issn.1673-9418.2010032
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

李书杭,童楠,符强.改进型麻雀搜索算法.计算机系统应用,2023,32(12):205-210

复制
分享
文章指标
  • 点击次数:606
  • 下载次数: 2360
  • HTML阅读次数: 1224
  • 引用次数: 0
历史
  • 收稿日期:2023-05-06
  • 最后修改日期:2023-06-06
  • 在线发布日期: 2023-10-20
文章二维码
您是第11278034位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号