面向改进天牛须搜索策略的狼群算法.pdf

第8 期2023年8 月机械设计与制造Machinery Design&Manufacture23面向改进天牛须搜索策略的狼群算法周建新，谢志伟（华北理工大学电气工程学院，河北唐山0 6 32 10）摘要：针对狼群算法因其游走行为的局限性而导致该算法寻优速度慢、精度低且易陷局部最优的弊端，将天牛搜索方式种群化且增加自适应步长更新与两须距离关联机制再引入狼群算法，提出基于改进天牛须搜索策略的狼群算法（BW-PA)。新算法既有单一搜索而跳出局部最优又有精细搜索的优势。通过运用基准测试函数对BWPA进行50/10 0 0 维的仿真测试，并与其他智能算法进行比较，结果表明BWPA在低维和高维下皆具有更快的收敛速度和精度且能跳出局部最优，证实天牛须搜索对狼群算法的改进是有效的。关键词：狼群算法；天牛须搜索；自适应变步长；仿真测试中图分类号：TH16;TP18Wolf Pack Algorithm for Improved Beetle Antennae Search Algorithm(North China University of Science and Technology,College of Electrical Engineering,Hebei Tangshan 063210,China)Abstract:In view of the disadvantages of the wolf pack algorithm,such as slow speed,low accuracy and easy to fall into localoptimum,this paper introduces the beetle antennae search strategy,increases adaptive variable step size and the associationmechanism of two beards distance into the wolf pack algorithm,and comes up with a wolf pack algorithm based on improved bee-tle antennae search strategy(BWPA).The new algorithm has the advantages of single search,jumping out of local optimum andfine search.By using benchmark test function to simulate BWPA in 50/1000 dimensions,and comparing with other intelligent al-gorithms,the results show that BWPA has faster convergence speed and accuracy in low and high dimensions,and can jump outof local optimum,which proves that the improvement of beetle antennae search for wolves algorithm is effective.Key Words:Wolves Algorithm;Beetle Antennae Search;Adaptive Variable Step Size;Simulation Test文献标识码：AZHOU Jian-xin,XIE Zhi-wei文章编号：10 0 1-39 9 7(2 0 2 3)0 8-0 0 2 3-0 41引言元启发式算法是一种基于所认识的自然现象或过程启迪而模拟求解优化问题的新型智能算法，如蚁群算法(ACO)!I、人工蜂群算法（ABC)2等。狼群算法(WPA)3是一种提出的新型群体智能优化算法,该算法具有并行性、全局收敛性与鲁棒性,但存在收敛慢、易陷局部最优等问题。针对此类问题,众学者提出各自的改进与应用。文献4提出了基于高斯扰动和混沌初始化的狼群算法。文献5提出将文化基因融人狼群算法并应用于路径问题。文献6 借鉴量子编码形式提出了量子狼群算法。文献7 以自适应步长增强搜索灵活性与莱维飞行策略扩大后期搜索范围而增强其全局搜索能力。尽管大量研究对WPA的性能有一定改善，但仍存在收敛速度慢、精度不高、易陷局部最优以及大多改进算法复杂度过高，运行速度较慢等问题。来稿日期：2 0 2 2-0 6-2 0基金项目：河北省自然科学基金资助项目（F201809201)作者简介：周建新，（19 7 7-）,男，河北唐山人，博士研究生，副教授，主要研究方向：复杂系统的建模、控制与优化；谢志伟，（19 9 7-），男，广东江门人，硕士研究生，主要研究方向：复杂系统的建模、控制与优化对于狼群算法在收敛速度、寻优精度与易陷局部最优方面的缺欠。这里将天牛须搜索算法(BAS)8)中天牛以单一个体进行搜索改进为以天牛群体进行搜索，并增加自适应变步长与天牛两须相关联，再将改进后的天牛须搜索策略引人WPA的游走行为中。天牛群的每一个体皆具有简易运算与快速收敛的能力，不仅能够优化WPA的收敛速度与精度，还能减少局部最优的情况发生。2狼群算法狼群算法起源于对狼群的捕食行为与分配猎物方式的研究而开发形成的新式群体智能算法3。WPA主要由游走、召唤、围攻三种行为与更新机制组成。2.1游走行为探狼感知猎物气味，并沿各方向趋近于猎物，该行为可视为WPA的全局开发能力。24xla=xi+sin(2TL式中：xa一探狼的空间位置；一游走步长；L一选取的探索方向个数；l一第i匹探狼在第1个方向探索前进。2.2召唤行为头狼召唤猛狼向当前头狼位置移动，该行为展现出狼群的信息交互共享机制。(2)Iga-xiul式中：xt一猛狼的空间位置;8 奔袭步长;g*一头狼的空间位置。1I max,-min,ld=PxpP式中：d一猛狼与头狼间的判定距离;p一第p个待寻优变量;p一距离判定因子。2.3围攻行为猛狼联合探狼紧密围捕以求将其猎获，该行为可视为WPA的局部搜索能力。xtt=xia+r8gIG-xil式中：r一-1,1之间的随机数;8%一攻击步长；G一猎物的空间位置。其中,8%8%8 三者的步长关系为：Imax,-min,l=2S式中：S一步长因子。一般来说,S为n/(2),n/之间的随机整数,其中,为群体更新比例因子。3基于改进策略的狼群算法3.1天牛须搜索算法天牛须搜索算法是基于天牛依赖其两须确定搜索方向直至寻得食物的新型智能算法18。天牛须搜索算法归属单体智能算法，具有运算快、可跳出局部最优的优点9。BAS步骤为：(1)向量归一化dir=_rand(k,1)IIrand(k,1)Il式中：k一空间维度;rand(k,1)一随机产生的k维随机向量。(2）左右须及其适应度更新X,(t)=X(t)-d(t)dir(X,(t)=X(t)+d(t)dirJfin=f(xu)(Fing=f(xn)d(c)=2(ub-lb)式中：d(t)一天牛第t次迭代时两须的距离；f()一两须的适应度值；r=2。周建新等：面向改进天牛须搜索策略的狼群算法(1)(3）天牛位置更新X(t+1)=X(t)-S(t)dir sign(fX,(t)-fX,(t)式中：8 一步长因子。（4)判断更新后的适应度值是否优于前次迭代的适应度值，是则更新天牛位置，否则回转步骤（2)当到达迭代次数后输出最优值。3.2改进狼群算法的结合机制针对天牛须搜索策略步长因子过小会导致前期搜索速度过慢，过大则导致陷人局部最优的困境，可将搜索距离d与步长用数学模型相关联，使步长可匹配维数增长的适应度函数。8(t)=c;8(t)+8(to)(3)d(t)=C2式中：C1C2需要调整的常数。以式(11)、式(12)取代式(9),采用搜索距离与步长关联的变步长方式更新天牛位置以期望前期具有较快的寻优速度同时还可以保证后期能够拥有更佳的寻优精度。BAS更注重于过程搜索，而WPA更关注精细搜索。对于(4)WPA来说,其局部开发能力在猛狼的围攻行为中得到展现，其全局搜索能力表现于探狼的游走行为中,但探狼以贪婪式游走策略前进会导致陷入局部最优的困境而削减算法的全局搜索能力。针对该上述欠缺，这里在此将赋予BAS种群特性，即多只天牛同时在目标空间中搜索，并以自适应变步长的方式更新天牛位置，(5)将改进的天牛须搜索策略取代WPA的游走行为（即式6-8、10-12)取代式（1)）,以BAS具有提高狼单个体寻优的速度和全局寻优能力的特点，在保留其运算便捷，摆脱局部最优的同时以期在高维也能快速精准寻优。依据BAS与WPA的优势，以期提高算法的全局搜索能力以及收敛速度，更好地发挥WPA的性能,其算法的主要步骤如下所示：(1)初始化算法所需的所有参数。(2)将探狼等效成天牛，且计算出天牛左右须的位置适应度及天牛位置。(3)生成天牛位置的更新规则且得出天牛的个体最优值与全局最优值，而后式（11）式（12)进行步长变换。(6)（4)判断是否满足天牛须的迭代终止条件，是则输出全局最优值并执行下一步；否则回转到步骤（2）。（5)猛狼向猎物奔袭，若，则；若，则猛狼保持奔袭至与头狼的距离不大于判定距离后执行下一步。(6)执行围攻行为，且以式(4)更新参与围攻行为的所有人工(7)狼的位置。（7)以“胜者为王”规则更新头狼位置后，再以“强者生存”机(8)制更新狼群群体。(8)判定优化精度或最大迭代次数是否达到要求，是则输出(9)头狼位置，即为最优解；否则回转步骤（2)。综上所述，基于天牛须搜索策略的狼群算法的流程图，如图1所示。第8 期(10)(11)(12)No.8Aug.2023计算天牛位置及天牛左须、右须的位置适应度生成天牛位置的更新规则更新天牛位置+得到天牛个体最优值与全局最优值变步长N达到天牛须选代终止条件？Y机械设计与制造都为O,极近似于理论值。因此，该表证实BAS能改善WPA的局召唤行为部搜索能力以及狼群的品质，提升算法的全局开发能力，并且开始BWPA更具有优越的性能及稳定性。初始化参数Tab.1 Benchmark Function Table函数表达式区间值模态NF围政行为立更新头狼位置据猎物分配规则更新狼群N满足终止条件？输出最优解25表1基准测试函数表最维度()=250/1000100,100F5(x)=i,+Iie/F，f(x)=F4 f(x)=)2x-10cos(2mx;)+10 50/100-5.12,5.12 0多峰i=1f(x)=-20exp(-0.2Fsexp(2cos(2mx)0单峰50/1000-10,100单峰=150/1000-1.28,1.280 单峰之）-50/100032,320多峰结束图1BWPA流程图Fig.1 BWPA Flowchart4测试仿真及结果分析(a)4.1基准测试函数为了评估创新式智能算法的性能,选取benchmark10测试函数的部分函数进行性能测试。其中,F,-F,为只存在一个全局最优值的单模态函数,用以评定算法的局部探索能力;F4、F,为存在多个最优值的多模态函数，用以评定算法的全局开发能力，并同时与ACO、W PA、BA S等先进算法进行仿真比较分析。F,-F,基准测试函数详情，如表1所示。4.2多种智能算法的对比分析将BWPA运算结果与其他智能算法的运算结果进行对比分析。在仿真测试中,应设置相应初始参数以保证各智能算法的对比有效性，其中，各算法种群大小为45,迭代次数为7 0 0,其他参数，如表2 所示。Tab.2 Parameter Setting Table算法名称ACOWPABAS为了增强该实验的可靠性及信服力，在同一条件下，进行多次重复仿真并记录数据的最值、平均值与标准差值。在处理最小值问题的情况下，平均值越小，其算法性能越优越；标准差值越小,其算法越具有稳定性，其实验仿真结果，如表3所示。为了更直观地表明BWPA在优化过程中的性能，绘制出各算法在50 维搜索空间中的收敛曲线，如图2 所示。据表3所得数据分析得，在5例仿真测试中，BWPA寻优精度皆取得最优成果。此外,BWPA在所测试的维度中,对于函数F4取得了理论最优值,对于函数F,、F2、F,所求得的最优解标准差值(b)(d)图2 各算法收敛曲线（50 维）Fig.2 Convergence Curve of Each Algorithm(50 Dimensions)(a)表2 参数设置表参数=1,=2,p=0.05=500,S=1000,=6c=2,wMax=0.9,0 Min=0.4k=0.4,so=0.9,s1=0.2(c)(e)(6)100200Fig.3 Convergence Curve of Each Algorithm(1000 Dimensions)蚁群算法（ACO）、传统WPA和改进BAS和BWPA在50 维度的收敛曲线对比图，如图2 所示。从图中可以看出BWPA的收敛速度普遍比其他算法快，这是由于引人天牛须搜索策略在迭代前期确定更优搜索方式与加入自适应步长使算法具有较快收敛的特性。由图2 所示，式FF,的收敛曲线依次,如图2(a)图2(e)所示。BWPA能够在更少的迭代次数内到达寻优精度表明其寻优的快速性优于原算法。其次，BAS的收敛曲线稍凸，而WPA的收敛曲线更平滑，可表明其能够能更快速地摆脱局部最优的困境。再者,BWPA的收敛曲线始终在WPA的下方，可表明BWPA(c)600一(d)(e)图3各算法收敛曲线（10 0 0 维）No.826机械设计与制造寻优快并且具有更佳的寻优精度。最后，图2(c)明显地表明了表4各智能算法10 0 0 维度的基准函数对比BWPA继承了BAS摆脱局部最优的优点，图2(d)的断线说明其已Tab.4 Comparison of Benchmark Functions of 1000Dimensions of Each Intelligent Algorithm经寻得理论最优值。编号因此，综合表3的数据与图2 的收敛曲线可知，在此维度下，最优值4.53e05种群性的BAS可以强化WPA,有效地增强狼群的适应度与性能，F平均值7.04e-05比其他智能算法更具备显著的竞争优势。标准差1.66e-05表3各智能算法50 维度的基准函数对比最优值2.26e-03Tab.3 Comparison of Benchmark Functions ofF2平均值6.16e-035o Dimensions of Each Intelligent Algorithm标准差3.76e-03编ACO号最优值1.00e-03F平均值7.46e-03标准差1.55e-02最优值1.01e-04F，平均值3.63e-04标准差2.19e-04最优值9.89e-04F，平均值2.69e-03标准差2.08e-03最优值2.25e+01F4平均值3.38e+01标准差1.51e+01最优值4.80e-05F，平均值6.76e-06标准差5.56e-054.3更高维度的测试仿真为了考察BWPA不同维度下的普遍适用性，增强该算法的信服力,将函数F,F,的维度改变为10 0 0,其他参数设置不变,进行多次重复仿真，得到10 0 0 维度的数据，如表4所示。收敛曲线，如图3所示。并对所得结果进行分析。据表4分析得,BWPA在该维度仍皆取得最优成果。此外，BWPA在所测试的两个维度中，对于函数F4都取得了理论最优值,对于函数F,F2、F,所求得的最优解标准差值都为0。极度接近于理论值。另一方面,按照同一测试函数的不同维度的角度分析,可得知BWPA在较高维度的收敛精度有可能比较低维度更好（如F3），该情况可表明BWPA在较高维度BWPA仍具备良好的性能及优异的稳定性。据图3所示,FF,的收敛曲线依次，如图3(a)(e)所示。该算法的表现在较高维度与较低维度相似。当求解过程变得更复杂时，BWPA仍能具备最快的收敛速度且避免落入局部最优的优势。因此,BWPA在较高维度中仍存在较大的竞争优势。综上所述，不管BWPA处于低维度或较高维度,其比传统的WPA或改进的BAS具有更强的性能与稳定性，更佳的寻优速度与寻优精度，证明自适应变步长种群化的天牛须策略优化狼群算法中过于贪婪的游走行为是可行且有效的。Aug.2023ACOWPA5.00e-1192.77e-1058.78e-1051.10e-761.78e-715.52e-71WPABAS3.14e-481.00e-2743.13e-501.00e-2741.37e-4601.07e-381.26e-2623.11e-264.57e-2529.41e-264.35e-2581.85e-046.37e-061.21e-032.60e-041.38e-032.59e-04001.89e-1406.85e-1404.44e-158.88e-166.70e-158.88e-163.28e-150BAS1.00e-2741.00e-27401.00e-2626.44e-2529.50e-259BWPA最优值2.94e-02F平均值4.09e-021.00e-274标准差1.13e-021.00e-274最优值2.52e+010F4平均值4.95e+011.00e-262标准差1.45e+011.00e-262最优值2.40e-040F，平均值3.04e-04标准差4.82e-051.25e-051.29e-041.28e-040008.88e-168.88e-160BWPA1.00e-2741.00e-27401.00e-2621.00e-26201.59e-057.07e-062.37e-034.18e-052.65e-033.29e-050000004.44e-158.88e-166.01e-158.88e-161.87e-1505结论WPA是一种较为新颖的群智能算法，在处理复杂函数优化问题时难免具有收敛速度比较慢且极易陷入局部最优的特点。经具体分析，该缺陷的源点大部分在于狼群算法过于贪婪的游走行为。因此,这里以改进自适应变步长的天牛须搜索策略取代狼群算法的游走行为。由5个基准测试函数仿真测试结果可证实提出的改进算法在处理复杂函数优化问题上更具备竞争能力。下一步研究内容应为将BWPA应用于约束优化问题和更复杂的实际工程问题。参考文献1 Marco Dorigo,Luca Maria Gambardella.Ant colonies for the travellingsalesman problemJ.BioSystems,1997,43(2):73-81.2 D.Karaboga,B.Basturk.On the performance of artificial bee colony(ABC)algorithmJ.Applied Soft Computing Journal,2007,8(1).3吴虎胜，张凤鸣，吴庐山.一种新的群体智能算法一狼群算法J.系统工程与电子技术，2 0 13,35(11)：2 430-2 438:6 8 7-6 9 7.(Wu Hu-sheng,Zhang Feng-ming,Wu Lu-shan.New swarm intelli-gence algorithm-wolf pack algorithmJJ.Systems Engineering and Elec-tronics Technology,2013,35(11):2430-2438:687-697.)4王日宏，李祥，李娜.基于高斯扰动和混沌初始化的狼群算法J.计算机工程与设计,2 0 19,40(10)：2 8 7 9-2 8 8 4.(Wang Ri-hong,Li Xiang,Li Na.Wolf pack algorithm based on Gauss-ian disturbance and chaotic initializationJ.Computer Engineering andDesign,2019,40(10):2879-2884.)5李小川,刘媛华，王影歌.求解多目标带时间窗VRP的文化狼群算法J.计算机应用研究，2 0 2 0,37(4：10 2 5-10 2 9.(Li Xiao-chuan,Liu Yuan-hua,Wang Ying-ge.Cultural wolf pack algo-rithm for solving multi-objective VRP with time window J.ComputerApplication Research,2020,37(4):1025-1029.)6严雅榕,项华春,聂飞,等.求解0-1背包问题的量子狼群算法J.微电子学与计算机，2 0 18,35(7)：1-5+12.(Yan Ya-rong,Xiang Hua-chun,Nie Fei,et al.A quantum wolf pack al-gorithm for solving 0-1 knapsack problemJ.Microelectronics&Com-puters,2018,35(7):1-5+12.)（下转第33页）2.74e-063.31e-053.26e-050008.88e-168.88e-160No.8Aug.2023综合所得机构的运动轨迹图，如图3所示。从图中可以发现,综合所得9 个机构均能较好的生成目标轨迹,其中机构7 为最优机构。应用优化方法4综合所得机构生成轨迹和文中代数法综合所得机构7 生成轨迹与目标轨迹的比较图，如图4所示。从图中可以发现，与优化法的综合结果相比较,文中方法综合所得机构的生成轨迹与目标轨迹的拟合情况更好，所得结果更为精确，误差更小。比于优化方法，这里方法不但获得较高精度的综合结果,而且可以同时获得多个在一般安装位置的机构尺寸型，这为设计者优化机构其他性能提供了更多的选择。6结论建立了一种基于傅氏级数的二自由度六杆机构轨迹综合的代数求解新方法。与已有的综合方法相比，该方法无需给定初值和建立数值图谱库，不需要进行查找和迭代运算，具有计算速度快、求解精度高、可重复性强的优点；二自由度六杆机构相比于齿轮五杆机构得到轨迹类型更加丰富，满足要求解的个数更多，可以为设计者提供更多的选择。如果该方法所得结果的精度不能满足设计要求，可将其作为初值进行优化综合，进一步得到满足设计要求的结果。参考文献1侯志利，李瑞琴，武文革.混合驱动五杆机构的运动学解析法对比研究J.机械传动，2 0 15，39(11)：13-17.(Hou Zhi-li,Li Rui-qin,Wu Wen-ge.Comparative study on the kine-matics analytical method of hybrid-driven five-bar mechanismJJ.Jour-nal of Mechanical Transmission,2015,39(11):13-17.)2孟宪举，李辉.精确实现给定轧迹的混合驱动五杆机构J.河北理工学院学报，2 0 0 4(2):18-2 2.(Meng Xian-ju,Li Hui.A study on the generation of locus for hybrid-driven five-bar mechanism J.Journal of Heb Institute of Technology,2004(2):18-22.)3张旭滨，贡宏艳,刘葆旗.类四杆五杆机构连杆曲线的变化规律J.机械设计,19 9 7(7):2 3-2 5+47.(Zhang Xu-bin,Ben Hong-yan,Liu Bao-qi.Variation laws of connecting-rod curves for five-bar and similar four-bar mechanism J.Journal ofMachine Design and Research,1997(7):23-25+47.)4李学刚.混合驱动可控机构的研究D.唐山：河北理工大学，2 0 0 5：11-44.(Li Xue-gang.Study of the hybrid driven controlled mechanism D.机械设计与制造Tangshan:Journal of Hebei Institute of Technology,2005:11-44.)5尚杰.混合驱动杆机构优化及控制仿真D.唐山：华北理工大学，2018:19-27.(Shang Jie.Optimal design and control simulation for hybrid linkagemechanism system D.Tangshan:North China University of Scienceand Technology,2018:19-27.)6王汝慧，李瑞琴.混合驱动六杆机构的轨迹特性及优化设计J.机械设计与研究,2 0 0 9,2 5(2)：40-43+51.(Wang Ru-hui,Li Rui-qin.Path-properties and optimal design ofhybrid-driven six-bar mechanism J.Journal of Machine Design andResearch,2009,25(2):40-43+51.)7程英辉,李学刚，黄永强.混合驱动可控六杆机构的优化综合J.河北理工学院学报,2 0 0 6(1)：2 5-30.(Cheng Ying-hui,Li Xue-gang,Huang Yong-qiang.Optimum genera-tion of hybrid-driven six-bar linkage J.Journal of Hebei Institute ofTechnology,2006(1):25-30.)8罗维.二自由度柔性铰链连杆机构的设计方法与综合特性研究D.太原：中北大学，2 0 12:41-56.(Luo Wei.Research on design method and synthesis characteristic fortwo degrees of freedom of the flexible hinge-bar mechanisms D.Tai-yuan:North University of China,2012:41-56.)9张聚涛.基于六杆机构电子图谱库的研究D.武汉：华中农业大学，2009:5-25.(Zhang Ju-tao.Base on shape spectrum characteristic parameters data-base of six-bar linkage mechanism D.Wuhan:Huazhong AgriculturalUniversity,2009:5-25.)10】赵会珍,冯立艳，张聚涛.平面六杆机构电子图谱库的构建J.机械设计与制造，2 0 10(2)：8 0-8 2.(Zhao Hui-zhen,Feng Li-yan,Zhang Ju-tao.The construction of thedatabase for curve/s shape spectrum of six-bar mechanismJJ.Machin-ery Design and Manufacture,2010(2):80-82.)11褚金奎.连杆机构尺度综合的谐波特征参数法M.北京：科学出版社,2 0 10(4):9-2 2.(Chu Jin-kui.Dimension Synthensis Methods of Planar Linkage Mecha-nisms by Harmonic Characterristic Parameters M.Beijing:SciencePress,2010(4):9-22.)12 Li X,Wu J,Ge Q J.A Fourier descriptor-based approach to designspace decomposition for planar motion approximation J.Journal ofMechanisms and Robotics,2016,8(6):064501.13 McGarva J,Mllineux G.Harmonic representation of closed curvesJ.Applied Mathematical Modelling,1993,17(4):213-218.33(上接第2 6 页）7李彦苍，徐培东.基于自适应步长和莱维飞行策略的改进狼群算法J.重庆大学学报,2 0 2 1:1-18.(Li Yan-cang,Xu Pei-dong.Improved wolf pack algorithm based onadaptive step size and levy flight strategy JJ.Journal of Chongqing Uni-versity,2021:1-18.)8 JIANG X Y,LI S.BAS:beetle antennae search algorithm for optimizationproblemsJJ.arXiv preprint arXiv:1710.10724,2017.9邵良杉,韩瑞达.基于天牛须搜索的花朵授粉算法J.计算机工程与应用,2 0 18,54(18):18 8-19 4.(Shao Shao-shan,Han Rui-da.Flower pollination algorithm based onnatural whiskers search JJ.Computer Engineering and Application,2018,54(18):188-194.)io Yang Xin-she.Firefly algorithm,stochastic test functions and designoptimisationLJJ.International Journal of Biolnspired Computation,2010(2):78-84.11周璟.混沌狼群围捕算法的车间机器人导航路径规划J.机械设计与制造,2 0 2 0(1):2 51-2 55.(Zhou Jing.Navigation path planning of workshop robot based on cha-otic wolfpack trapping algorithmJJ.Machinery Design&Manufacture,2020(1):251-255.)