鲸鱼算法的优化

2021-01-20刘紫娟田文艳

物联网技术 2021年1期

关键词：优化

刘紫娟，田文艳

（1.山西工程职业学院，山西太原 030000；2.太原科技大学，山西太原 030000）

0 引言

研究者通过模拟自然界生物的社会行为来构造概率搜索算法。基于上述方法来求解优化问题的过程，只涉及基本的数学操作，因此具有计算复杂度低、计算速度快等特点。其中最有名的算法是由Kennedy 和Eberhart提出的粒子群算法[1]（Particle Swram Optimization, PSO）。该算法用于搜索并追随当前状态下附近空间中的最优粒子。除此之外，还有蚁群算法[2]、人工鱼群算法[3]、猴子搜索[4]、狼群搜索[5]、海豚伙伴优化[6]等诸多算法。

本文首先介绍了基本的鲸鱼算法，详细分析了该算法的基本原理，并在此基础上提出了一种改进的鲸鱼算法，并用8组测试函数对其相关性能进行测试。通过对8组通用测试函数的仿真可以得出，改进鲸鱼算法的收敛速度与收敛精度高于普通鲸鱼算法。

1 原理

鲸鱼算法（Whale Optimization Algorithm， WOA）是一种模拟驼背鲸捕食猎物行为的新型元启发式优化算法。这种新型群体智能优化算法于2016年由澳大利亚格里菲斯大学的Seyedali Mirjalili和Andrew Lewis提出[7]，该算法具有参数少、操作简单等优点。

1.1 仿生学原理

驼背鲸通过一种“泡沫网”路径觅食，即沿着圆圈的气泡或形如“9”的路径行进[8]。2013年Goldbogen等研究了从9只独立的驼背鲸获得的300个气泡网的标签，发现了与产生泡沫相关的两种策略，分别被命名为“盘旋上升”和“双重循环”[9]，上述过程可以描述成三个阶段，分别为猎物环绕、泡沫攻击、搜索猎物，可以建立相应的数学模型。