领导者黏菌算法LSMA(学习笔记_12)

Posted 2022-02-17 Cloud-Lii

1.理论分析

1.SMA

• SMA中种群个体的更新：依赖于最佳候选解（Xbest）另外两个随机候选解（Xr1和Xr2）。
• SMA算法摘要

2.改进过程

• 当两个随机黏菌候选解远离搜索空间时，随机化可能需要更长的时间才能到达最佳候选解。
• 受其他算法启发加入领导者机制：
  • GWO：利用3个迄今为止最好的候选解（α、β和γ）来更新狼的搜索位置。
  • EO：利用4种迄今为止最好的候选者作为平衡候选对象来达到平衡状态。
• 提出领导者黏菌算法LSMA

3.LSMA

• LSMA中种群个体的更新：将三个迄今为止最好的候选解作为领导者，与随机的两个黏菌（Xr1和Xr2）进行融合。

• 其中，全局最佳浓度命名为leader1（L1），第二和第三最佳浓度分别命名为leader2（L2）和leader3（L3）。

• 这种模型使得算法比以前更有效的在开发和探索之间权衡，从而获取最优解。

• LSMA中第t+1次迭代中第 i 个黏菌的新的更新规则建模为：
  

2.LSMA伪代码

3.仿真实验

• 为了更好的验证 LSMA 算法性能，选取了 4 种算法进行对比：SMA、HSMAAOA、GWO、WOA（论文中包括HHO、EO，但由于笔者还没有学习HHO、EO，故暂不加入实验，加入另一种SMA的改进算法HSMAAOA（HSMAAOA算法摘要）），这些算法被证实具有良好的寻优性能。为了更准确的验证所提算法与对比算法的优劣性，设定种群规模 N=30，维度 D=30，最大迭代次数 500 次，各算法独立运行 30 次。

• 选取最优值、最差值、平均值与标准差作为评价指标。其中，平均值与标准差越小，则证明算法的性能越佳。

• 以文献中F1、F4(30维/单峰函数)、F11、F12(30维/多峰函数)、F21(4维/固定维多峰函数)为例，结果显示如下：

• 

• 总结：LSMA在收敛速度、收敛精度、鲁棒性方面较对比算法有较大提升，但其优化效果较HSMAAOA算法较弱。

4.参考文献

Naik M K，Panda Ｒ，Abraham A． Normalized square difference based multilevel thresholding technique for multispectral images using leader slime mould algorith［J/OL］． Journal of King Saud University- Computer and Information Sciences．［2020-11-5］． https: / /doi． org /10． 1016 /j． jksuci． 2020． 10． 30．html．