解决高维优化和特征选择问题的多策略改进麻雀搜索算法

为解决基本麻雀搜索算法(sparrow search algorithm,SSA)在求解高维复杂优化问题时存在收敛速度慢、容易陷入局部最优解及后期种群多样性变弱等问题,提出了一种基于海鸥优化算法算子和鲸鱼优化算法算子的改进麻雀搜索算法(improved sparrow search algorithm based on seagull optimization algorithm operator and whale optimization algorithm operator,SWSSA)。首先,该算法设计了自适应种群比例策略以增强种群在迭代过程中的多样性;其次,在局部搜索阶段融入鲸鱼优化算法气泡网捕食策略,增强麻雀搜索算法的局部搜索能力、加快收敛速度;然后,在追随者位置引入改进的海鸥优化算法算子降低算法陷入局部最优的概率。最后,选取了12个高维基准测试函数和16个UCI网站上的高维数据集进行仿真实验,将SWSSA与基本SSA、SSA变体版本、黄金正弦算法(golden sine algorithm,GSA)、蝴蝶算法(butterfly optimization algorithm,BOA)、黏菌算法(slime mold algorithm,SMA)、海鸥算法(seagull optimization algorithm,SOA),以及其他学者改进的算法进行比较。结果表明,本文提出的算法在12个测试函数上的收敛精度取得最优的比例达到了100%,在约95%的测试函数上收敛速度最快,在16个数据集中有9个数据集分类准确率最高和6个最佳特征子集数量最少。可见所提算法在处理高维函数优化和数据集特征选择问题上具有一定的优势。

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中,传统算法存在计算复杂与精度低等缺点,海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性,现多用于工程设计问题.然而,标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题,本文提出一种混合策略改进的海鸥优化算法(WLSOA).首先,利用非线性递减策略增强海鸥优化算法的探索开发能力,提高寻优精度.其次,在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动,提高算法跳出局部最优值的能力.然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法,通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能.结果表明,WLSOA比其他6种算法寻优精度更高,收敛速度更快.最后,在齿轮系设计问题上,通过与其他13种常见的群智能算法的比较表明,WLSOA的求解性能优于其他算法.