海鸥优化算法的改进研究

作     者：熊文清 

作者单位：江西理工大学 

学位级别：硕士

导师姓名：李大海

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：海鸥优化算法 种群多样性 局部最优 相对位移 实际工程问题 

摘      要：智能优化算法是一类模拟各种自然现象的高效随机优化算法,具有高效求解非线性、多峰、离散等复杂问题并具有高度自适应性,目前已经引起众多研究者的广泛关注。海鸥优化算法是受海鸥在觅食中的迁徙与攻击行为启发提出的一种群智能优化算法。该算法具有全局搜索能力强、自定义参数少且易于实现等特点,但该算法也存在迭代过程中的种群多样性较差、过度依靠最优个体的指引、易陷入局部最优且在碰撞后的相对位移不合理等缺陷。本文基于前人的研究,对海鸥算法进行了进一步的改进和增强并将改进后的海鸥算法应用于实际的优化问题。本文主要工作如下:(1)提出了一种基于差分变异、粒子群机制与透镜映射的混合海鸥算法(Enhancing seagull optimization algorithm,ESOA)。针对于原海鸥优化算法搜索过程中缺少跳变策略、种群多样性差、易陷入早熟收敛的缺点,提出了以下策略进行改进。ESOA在每次迭代的过程中,引入改进的自适应差分变异策略,对单个海鸥个体进行差分变异操作并通过自适应机制扩大海鸥的全局搜索范围及提高种群的多样性;ESOA还设置了基于粒子群算法的机制来处理最差的海鸥个体位置;最后,针对于海鸥种群式的最优位置,ESOA采用了动态透镜映射的策略增加算法跳出局部最优的能力。(2)提出了一种基于正余弦算子、缩放因子与随机对立学习的改进海鸥优化算法(Improving seagull optimization algorithm combine multiple strategies,CMSOA)。针对海鸥种群个体在搜索过程中发生的停滞现象、相对位移方式不合理、易陷入局部最优等问题,提出了以下策略进行改进。CMSOA在迭代过程中使用正余弦算法对停滞的海鸥种群个体扰动更新,改善了整体种群的多样性;CMSOA还引入了缩放因子,动态调整当前海鸥个体与最优个体之间的相对位移;最后,CMSOA采取随机对立学习的方式微调最优海鸥个体的位置,领导整个海鸥移动至给定搜索空间的正确位置,进一步增加跳出局部最优的能力。(3)设置了两种实验以测试改进算法。一、对以上两种改进算法分别选用了CEC2017中的15个函数作为基准,这些测试函数包括单峰、多峰、混合函数与组合函数。对两种改进算法的各策略和包括GSCSOA等改进海鸥算法以及灰狼算法(GWO)等其他智能优化算法进行对比实验。实验表明了改进的ESOA与CMSOA算法与其他算法相比提高了收敛速度、寻优精度。二、ESOA采用了实际问题中的Ostu多阈值分割,CMSOA采用了无人机路径寻优问题来证实两种改进算法在工程应用中的可行性。