融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

doi:10.11772/j.issn.1001-9081.2021111868

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (1): 192-201.DOI: 10.11772/j.issn.1001-9081.2021111868

所属专题：先进计算

融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

赵沛雯¹, 张达敏¹, 张琳娜², 邹诚诚¹

1.贵州大学大数据与信息工程学院，贵阳 550025
2.贵州大学机械工程学院，贵阳 550025

收稿日期:2021-11-04 修回日期:2022-04-20 发布日期:2023-01-12
作者简介:赵沛雯（1997—），女，贵州贵阳人，硕士研究生，主要研究方向：认知无线电、群体智能算法；张达敏（1967—），男，贵州贵阳人，教授，博士，主要研究方向：认知无线电、群体智能算法、信号与信息处理 email：1203813362@qq.com；张琳娜（1977—），女，贵州贵阳人，副教授，硕士，主要研究方向：图像处理、机器视觉；邹诚诚（1998—），女，贵州兴义人，硕士研究生，主要研究方向：优化算法、认知无线电；
基金资助:
国家自然科学基金资助项目（62062021， 61872034）；贵州省科学技术基金资助项目（黔科合基础［2020］1Y254，黔科合基础［2019］1064）。

Bald eagle search optimization algorithm with golden sine algorithm and crisscross strategy

ZHAO Peiwen¹, ZHANG Damin¹, ZHANG Linna², ZOU Chengcheng¹

1.College of Big Data and Information Engineering， Guizhou University， Guiyang Guizhou 550025， China
2.School of Mechanical Engineering， Guizhou University， Guiyang Guizhou 550025， China

Received:2021-11-04 Revised:2022-04-20 Online:2023-01-12
Contact: ZHANG Damin， born in 1967， Ph. D.， professor. His research interests include cognitive radio， swarm intelligence algorithm， signal and information processing.
About author:ZHAO Peiwen， born in 1997， M. S. candidate. Her research interests include cognitive radio， swarm intelligence algorithm；ZHANG Linna， born in 1977， M. S.， associate professor. Her research interests include image processing， machine vision；ZOU Chengcheng， born in 1998， M. S. candidate. Her research interests include optimization algorithm， cognitive radio；
Supported by:
This work is partially supported by National Natural Science Foundation of China （62062021， 61872034）， Science and Technology Foundation of Guizhou Province （［2020］1Y254，［2019］1064）.

摘要/Abstract

摘要： 针对传统秃鹰搜索算法（BES）存在容易陷入局部最优、收敛速度慢等缺点，提出一种融合黄金正弦算法（Gold-SA）和纵横交叉策略的秃鹰搜索算法（GSCBES）。首先，在传统BES的搜索阶段设置基于惯性权重的位置更新公式；然后，在捕食猎物阶段引入Gold-SA；最后，引入纵横交叉策略对全局最优和种群进行修正。对11个Benchmark函数和CEC2014函数进行仿真实验并使用Wilcoxon秩和检验的方式评估所提算法的寻优能力，结果表明，所提算法收敛更快；同时，使用所提算法对反向传播（BP）神经网络模型的权值和阈值进行赋值，并将优化的BP神经网络模型用于空气质量的预测中，平均绝对误差（MAE）、均方根误差（RMSE）、均方误差（MSE）、平均绝对百分比误差（MAPE）值均小于BP神经网络模型以及基于粒子群优化（PSO）的BP神经网络模型，预测精确度有所提高。

关键词: 秃鹰搜索算法, 纵横交叉策略, 黄金正弦算法, 惯性权重, 测试函数

Abstract: Aiming at the disadvantages of traditional Bald Eagle Search optimization algorithm （BES）， such as easy to fall into the local optimum and slow convergence， a BES with Golden Sine Algorithm （Gold-SA） and crisscross strategy （GSCBES） was proposed. Firstly， the position update formula based on inertia weight was set in the traditional BES search stage. Then， Gold-SA was introduced in the stage of predation. Finally， the crisscross strategy was introduced to modify the global optimum and population. The optimization ability of the proposed algorithm was evaluated by the simulation experiments on 11 Benchmark functions， CEC2014 functions and by using Wilcoxon rank sum test. The results show that the proposed algorithm converges faster. At the same time， the weights and thresholds of Back Propagation （BP） neural network were assigned by the proposed algorithm， and the optimized BP neural network model was used in the prediction of air quality， the values of Mean Absolute Error （MAE）， Root Mean Square Error （RMSE）， Mean Square Error （MSE）， and Mean Absolute Percentage Error （MAPE） are smaller than those of BP neural network model and Particle Swarm Optimization （PSO） based BP neural network model，and the prediction accuracy is improved.

Key words: Bald Eagle Search optimization algorithm (BES), crisscross strategy, Golden Sine Algorithm (Gold-SA), inertial weight, test function

中图分类号:

TP18

赵沛雯, 张达敏, 张琳娜, 邹诚诚. 融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法[J]. 计算机应用, 2023, 43(1): 192-201.

ZHAO Peiwen, ZHANG Damin, ZHANG Linna, ZOU Chengcheng. Bald eagle search optimization algorithm with golden sine algorithm and crisscross strategy[J]. Journal of Computer Applications, 2023, 43(1): 192-201.

参考文献

1 STEINBRUNN M， MOERKOTTE G， KEMPER A. Heuristic and randomized optimization for the join ordering problem［J］. The VLDB Journal， 1997， 6（3）：191-208. 10.1007/s007780050040
2 MENG X B， LIU Y， GAO X Z， et al. A new bio-inspired algorithm： chicken swarm optimization［C］// Proceedings of the 2014 International Conference on Swarm Intelligence， LNCS 8794. Cham： Springer， 2014：86-94.
3 MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95：51-67. 10.1016/j.advengsoft.2016.01.008
4 SAREMI S， MIRJALILI S， LEWIS A. Grasshopper optimisation algorithm： theory and application［J］. Advances in Engineering Software， 2016， 105：30-47. 10.1016/j.advengsoft.2017.01.004
5 ALSATTAR H A， ZAIDAN A A， ZAIDAN B B. Novel meta-heuristic bald eagle search optimization algorithm［J］. Artificial Intelligence Review， 2020， 53（3）：2237-2264. 10.1007/s10462-019-09732-5
6 贾鹤鸣，姜子超，李瑶. 基于改进秃鹰搜索算法的同步优化特征选择［J］. 控制与决策， 2022， 37（2）：445-454. JIA H M， JIANG Z C， LI Y. Simultaneous feature selection optimization based on improved bald eagle search algorithm［J］. Control and Decision， 2022， 37（2）：445-454.
7 MENG A B， CHEN Y C， YIN H， et al. Crisscross optimization algorithm and its application［J］. Knowledge-Based Systems， 2014， 67（4）：218-229. 10.1016/j.knosys.2014.05.004
8 TANYILDIZI E， DEMIR G. Golden sine algorithm： a novel math-inspired algorithm［J］. Advances in Electrical and Computer Engineering， 2017， 17（2）：71-78. 10.4316/aece.2017.02010
9 陈志文. 基于BP神经网络的PM2.5预测系统的设计与实现［D］. 衡阳：南华大学， 2019：1-64. 10.22606/fmr.2018.24001 CHEN Z W. Design and implementation of PM2.5 prediction system based on BP neural network［D］. Hengyang： University of South China， 2019：1-64. 10.22606/fmr.2018.24001
10 VENTER G， SOBIESZCZANSKI-SOBIESKI J. Particle swarm optimization［J］. AIAA Journal， 2003， 41（8）：1583-1589. 10.2514/2.2111
11 周新，邹海. 融合黄金正弦混合变异的自适应樽海鞘群算法［J］. 计算机工程与应用， 2021 ，57（12）：75-85. 10.3778/j.issn.1002-8331.2006-0011 ZHOU X， ZOU H. Adaptive salp swarm algorithm with golden sine algorithm and hybrid mutation［J］. Computer Engineering and Applications， 2021， 57（12）：75-85. 10.3778/j.issn.1002-8331.2006-0011
12 刘琨，赵露露，王辉. 一种基于精英反向和纵横交叉的鲸鱼优化算法［J］. 小型微型计算机系统， 2020， 41（10）：2092-2097. 10.3969/j.issn.1000-1220.2020.10.012 LIU K， ZHAO L L， WANG H. Whale optimization algorithm based on elite opposition-based and crisscross optimization［J］. Journal of Chinese Computer Systems， 2020， 41（10）：2092-2097. 10.3969/j.issn.1000-1220.2020.10.012
13 何庆，林杰，徐航. 混合柯西变异和均匀分布的蝗虫优化算法［J］. 控制与决策， 2021， 36（7）：1558-1568. 10.13195/j.kzyjc.2019.1609 HE Q， LIN J， XU H. Hybrid Cauchy mutation and uniform distribution of grasshopper optimization algorithm［J］. Control and Decision， 2021， 36（7）：1558-1568. 10.13195/j.kzyjc.2019.1609
14 陈忠云，张达敏，辛梓芸. 正弦余弦算法的樽海鞘群算法［J］. 计算机应用与软件， 2020， 37（9）：209-214. 10.3969/j.issn.1000-386x.2020.09.034 CHEN Z Y， ZHANG D M， XIN Z Y. Salp swarm algorithm based on sine and cosine algorithm［J］. Computer Applications and Software， 2020， 37（9）：209-214. 10.3969/j.issn.1000-386x.2020.09.034
15 刘栋. 基于改进灰狼算法优化BP神经网络的研究和应用［D］. 合肥：安徽大学， 2019：1-66. LIU D. Research and application of BP neural network based on improved grey wolf algorithm［D］. Hefei： Anhui University， 2019：1-66.
16 DE VITO S， MASSERA E， PIGA M， et al. On field calibration of an electronic nose for benzene estimation in an urban pollution monitoring scenario［J］. Sensors and Actuators B： Chemical， 2008， 129（2）：750-757. 10.1016/j.snb.2007.09.060
17 张新，李广儒. 基于GA-BP神经网络的船舶航迹预测［J］. 广州航海学院学报， 2020， 28（4）：15-18. ZHANG X， LI G R. Prediction model of ship trajectory based on GA-BP［J］. Journal of Guangzhou Maritime University， 2020， 28（4）：15-18.
18 于文文. 基于改进神经网络算法的高校学籍异动预测研究［D］. 合肥：中国科学技术大学， 2018：1-75. 10.2991/asssd-18.2018.33 YU W W. Prediction research on student status change for students based on improved neural network algorithm［D］. Hefei： University of Science and Technology of China， 2018：1-75. 10.2991/asssd-18.2018.33
19 焦斌，叶明星. BP神经网络隐层单元数确定方法［J］. 上海电机学院学报， 2013， 16（3）：113-116， 124. 10.3969/j.issn.2095-0020.2013.03.002 JIAO B，YE M X. Determination of hidden unit number in a BP neural network［J］. Journal of Shanghai Dianji University， 2013， 16（3）：113-116， 124. 10.3969/j.issn.2095-0020.2013.03.002
20 易鹏. 基于ARIMA-BP模型的全国艾滋病发病率预测［D］. 重庆：西南大学， 2020：1-62. YI P. Prediction of AIDS incidence in China based on ARIMA-BP model［D］. Chongqing： Southwest University， 2020：1-62.
21 黄婕，张丰，杜震洪，等. 基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究［J］. 浙江大学学报（理学版）， 2019， 46（3）：370-379. 10.3785/j.issn.1008-9497.2019.03.016 HUANG J， ZHANG F， DU Z H， et al. Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model［J］. Journal of Zhejiang University （Science Edition）， 2019， 46（3）：370-379. 10.3785/j.issn.1008-9497.2019.03.016

[1]	向君幸, 吴永红. 基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 820-826.
[2]	陈亮, 汤显峰. 改进正余弦算法优化特征选择及数据分类[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1852-1861.
[3]	段玉先, 刘昌云. 基于Sobol序列和纵横交叉策略的麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 36-43.
[4]	陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9): 2668-2677.
[5]	汤安迪, 韩统, 徐登武, 谢磊. 混沌精英哈里斯鹰优化算法[J]. 计算机应用, 2021, 41(8): 2265-2272.
[6]	唐延强, 李成海, 宋亚飞. 基于改进粒子群优化和极限学习机的网络安全态势预测[J]. 计算机应用, 2021, 41(3): 768-773.
[7]	金滔, 董秀成, 李亦宁, 任磊, 范佩佩. 改进的粒子群优化算法优化分数阶PID控制器参数[J]. 计算机应用, 2019, 39(3): 796-801.
[8]	王庆荣, 王瑞峰. 基于改进粒子群算法的配电网重构策略[J]. 计算机应用, 2018, 38(9): 2720-2724.
[9]	艾兵, 董明刚. 基于高斯扰动和自然选择的改进粒子群优化算法[J]. 计算机应用, 2016, 36(3): 687-691.
[10]	于泉, 孙顺远, 徐保国, 陈淑娟. 基于改进粒子群算法的无线传感器网络节点定位[J]. 计算机应用, 2015, 35(6): 1519-1522.
[11]	陈寿文. 基于质心和自适应指数惯性权重改进的粒子群算法[J]. 计算机应用, 2015, 35(3): 675-679.
[12]	乔现伟, 乔蕾. 基于限域拟牛顿法的混沌类电磁学机制算法及其在路径寻优中的应用[J]. 计算机应用, 2015, 35(3): 696-699.
[13]	赵远东方正华. 带有权重函数学习因子的粒子群算法[J]. 计算机应用, 2013, 33(08): 2265-2268.
[14]	耿焕同高军贾婷婷吴正雪. 均衡分布性和收敛性的多目标粒子群优化方法[J]. 计算机应用, 2013, 33(07): 1926-1929.
[15]	张敏黄强许周钊姜柏庄. 基于余弦函数改进的PSO算法及其仿真[J]. 计算机应用, 2013, 33(02): 319-322.

融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

Bald eagle search optimization algorithm with golden sine algorithm and crisscross strategy

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics