【智能算法改进】A Multimixed Strategy Improved Sparrow Search Algorithm and Its Application in TSP

admin管理员组

文章数量:1530518

目录

• • 1.算法原理
  • 2.改进点
  • 3.结果展示
  • 4.参考文献
  • 5.代码获取

---

1.算法原理

【智能算法】麻雀搜索算法（SSA）原理及实现

今天复现一篇论文：一种多混合策略改进的麻雀搜索算法及其在TSP中的应用（A Multimixed Strategy Improved Sparrow Search Algorithm and Its Application in TSP）

2.改进点

Iterative Chaotic Map Strategy

Singer 混沌映射产生的混沌变量在 0.6 到 0.9 之间分布不均，并且周期性较小。Tent混沌映射在 0 到 0.2 之间有周期性不稳定的现象，并且容易陷入固定点。Sinusoidal混沌映射产生的混沌变量具有一定的双峰分布特性，在混沌吸引域的中间分布较均匀，在两端密集分布。这里，采用迭代混沌映射策略来初始化种群采用迭代混沌映射：
x i + 1 = sin ⁡  ⁣ ( b π x i ) (1) x_{i+1}=\sin\!\left(\frac{b\pi}{x_i}\right)\tag{1} xi+1​=sin(xi​bπ​)(1)

Golden Sine Algorithm Strategy

引入黄金正弦策略（Golden Sine Algorithm Strategy）和非线性因子（Nonlinear Convergence Factor Strategy）改进发现者位置：
X i , j t + 1 = { X i , j t ∣ sin ⁡ ( r 1 ) ∣ − r 2 sin ⁡ ( r 1 ) ∣ θ 1 ⋅ X p t − θ 2 ⋅ X i , j t ∣ , R 2 < S T X i , j t + ω ⋅ L , R 2 ≥ S T (2) \left.X_{i,j}^{t+1}=\left\{\begin{array}{ll}X_{i,j}^t\lvert\sin\left(r_1\right)\rvert-r_2\sin\left(r_1\right)\Big|\theta_1\cdot X_p^t-\theta_2\cdot X_{i,j}^t\Big|,&R_2<ST\\\\X_{i,j}^t+\omega\cdot L,&R_2\geq ST\end{array}\right.\right.\tag{2} Xi,jt+1​=⎩ ⎨ ⎧​Xi,jt​∣sin(r1​)∣−r2​sin(r1​) ​θ1​⋅Xpt​−θ2​⋅Xi,jt​ ​,Xi,jt​+ω⋅L,​R2​<STR2​≥ST​(2)

Elite Opposition-Based Learning Strategy

采用精英对立学习策略对前10%麻雀位置进行扰动:
X i , j e ‾ = λ × ( l b j + u b j ) − X i , j e (3) \overline{X_{i,j}^{e}}=\lambda\times\bigl(lb_{j}+ub_{j}\bigr)-X_{i,j}^{e}\tag{3} Xi,je​​=λ×(lbj​+ubj​)−Xi,je​(3)
其中，参数表述为:
l b j = min ⁡ ( X i , j ) , u b j = max ⁡ ( X i , j ) (4) lb_{j}=\min{(X_{i,j})}, ub_{j}=\max{(X_{i,j})}\tag{4} lbj​=min(Xi,j​),ubj​=max(Xi,j​)(4)

3.结果展示

TSP应用

测试TSP数据集 burma14，eil51

4.参考文献

[1] Li W, Zhang M, Zhang J, et al. A Multimixed Strategy Improved Sparrow Search Algorithm and Its Application in TSP[J]. Mathematical Problems in Engineering, 2022, 2022(1): 8171164.

5.代码获取

本文标签： 算法智能StrategyMultimixedImproved