基于混沌反向学习和自适应螺旋搜索的改进麻雀搜索方法

1.本发明属于群智能算法技术领域，具体涉及一种基于混沌反向学习和 自适应螺旋搜索的改进麻雀搜索方法。


背景技术：

2.群体智能优化算法是指通过模拟自然界一些生物的行为规律，搜索一 定解空间内的最优适应度以得到最优解。由于群体智能优化算法具有实现 简单、原理清晰、容易扩充等优点，使其在各个优化领域的应用越来越广 泛。
3.目前，现有的群体智能优化算法主要有蚁群算法、粒子群优化算法、 菌群优化算法、蛙跳算法、人工蜂群算法以及麻雀搜索算法等。其中，麻 雀搜索算法(sparrow search algorithm，ssa)是由薛建凯等人于2020年提出 的一种群智能优化算法。其通过模拟麻雀种群的觅食和反捕食机制来建立 优化模型。由于ssa性能较为出色，已被广泛用于各个领域。
4.然而同其它群智能优化算法类似，ssa也存在迭代后期种群多样性减弱， 算法计算效率大，且容易陷入局部最优等问题。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于混沌反 向学习和自适应螺旋搜索的改进麻雀搜索方法。本发明要解决的技术问题 通过以下技术方案实现：
6.第一方面，本发明提供了一种基于混沌反向学习和自适应螺旋搜索的 改进麻雀搜索方法，包括：
7.步骤1：初始化算法参数，并利用混沌反向学习策略初始化种群；
8.步骤2：计算种群中每个个体的初始适应度值，并确定最优个体位置；
9.步骤3：采用自适应螺旋搜索策略分别对种群中发现者和跟随者的位置 进行更新；
10.步骤4：对种群中预警个体的位置进行更新；
11.步骤5：采用混沌反向学习策略对种群中的每个个体位置进行更新；
12.步骤6：更新种群中每个个体的适应度值和最优个体位置，并保留部分 优势个体；
13.步骤7：若判断当前迭代次数达到最大迭代次数，则输出最优个体位置； 否则，返回步骤3继续执行。
14.在本发明的一个实施例中，在步骤1中，利用混沌反向学习策略初始 化种群包括：
15.将混沌映射函数与反向学习策略相结合，构建混沌反向学习数学模型；
16.利用所述混沌反向学习数学模型初始化种群。
17.在本发明的一个实施例中，所述混沌反向学习数学模型的表达式为：
18.19.其中，表示种群中第i个个体对应的混沌反向学习机制生成的解，ub 和lb分别表示搜索空间的上下边界，λi表示所选的混沌映射值，表示 解空间中第t代第i个个体的位置。
20.在本发明的一个实施例中，在步骤3中，对种群中发现者的位置进行 更新包括：
21.随机选择传统搜索策略或者螺旋搜索策略更新发现者位置；其中，
22.采用传统搜索策略更新发现者位置的数学模型表示为：
[0023][0024]
其中，x
i,j
(t+1)表示解空间中第t+1代第i个个体在第j维度上的位置； x
i,j
(t)表示解空间中第t代第i个个体在第j维度上的位置；t为当前迭代次 数，t
max
为最大迭代次数；α是(0,1]的随机值；r和st分别表示麻雀觅食过 程中遇到危险时的预警值和安全值，且r的取值范围是[0,1]，st的取值范 围是[0.5,1]；q是满足正态分布的随机数；l是维度为l*d、元素均为1的 矩阵；
[0025]
采用螺旋搜索策略更新发现者位置的数学模型表示为：
[0026][0027]
其中，表示解空间中第t+1代第i个个体的位置；表示解空间中 第t代第i个个体的位置；
[0028]
β＝e
al
·
cos(2πa)
[0029][0030]
表示解空间中第t代最优个体的位置。
[0031]
在本发明的一个实施例中，在步骤3中，对种群中跟随者的位置进行 更新包括：
[0032]
随机选择传统搜索策略更新跟随者位置，或者利用当前代最优个体位 置和待更新个体的近邻个体位置更新跟随者位置；其中，
[0033]
采用传统搜索策略更新跟随者位置的数学模表示为：
[0034][0035]
其中，x
i,j
(t+1)表示解空间中第t+1代第i个个体在第j维度上的位置； x
i,j
(t)表示解空间中第t代第i个个体在第j维度上的位置；t为当前迭代次 数；q是满足正态分布的随机数；xw表示当前解空间中最差个体位置， x
p
(t)表示解空间中第t代最优个体位置；a是维度l*d、元素都是1或者-1 的矩阵，且a
*
满足关系式a
*
＝a
t
(aa
t
)-1
；n表示种群的初始数量；
[0036]
利用当前代最优个体位置和待更新个体的近邻个体位置更新跟随者位 置的数学
模型表示为：
[0037][0038]
其中，表示解空间中第t+1代第i个个体的位置；表示解空间中 第t代最优个体的位置；表示解空间中第t代第i-1个个体的位置；表 示解空间中第t代第i个个体的位置；
[0039]
β＝e
al
·
cos(2πa)
[0040][0041]
r1∈(0,1)是一个均匀分布的随机数。
[0042]
在本发明的一个实施例中，在步骤5和步骤6之间，还包括：
[0043]
采用线性递减策略更新种群的个体总数量。
[0044]
在本发明的一个实施例中，所述线性递减策略的数学模型表示为：
[0045][0046]
其中，pop表示参与迭代的种群数量，pop
max
和pop
min
分别表示最大数 量和最小数量，t表示当前迭代次数，t
max
为最大迭代次数。
[0047]
第二方面，本发明提供了一种基于混沌反向学习和自适应螺旋搜索的 改进麻雀搜索装置，包括：
[0048]
初始化模块，用于初始化ssa算法参数，并利用混沌反向学习策略初始 化种群；
[0049]
计算模块，用于计算种群中每个个体的初始适应度值，并确定最优个 体位置；
[0050]
第一更新模块，用于采用自适应螺旋搜索策略分别对种群中发现者和 跟随者的位置进行更新；
[0051]
第二更新模块，用于对种群中预警个体的位置进行更新；
[0052]
第三更新模块，用于采用混沌反向学习策略对种群中的每个个体位置 进行更新；
[0053]
输出模块，用于若判断当前迭代次数达到最大迭代次数，则输出最优 个体位置；其中，
[0054]
所述计算模块还用于更新种群中每个个体的适应度值和最优个体位置， 并保留部分优势个体。
[0055]
第三方面，本发明还提供了一种电子设备，包括处理器、通信接口、 存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成 相互间的通信；
[0056]
存储器，用于存放计算机程序；
[0057]
处理器，用于执行存储器上所存放的程序时，实现上述实施例所述的 方法步骤。
[0058]
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可 读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上 述实施例所述的方法步骤。
[0059]
本发明的有益效果：
[0060]
1、本发明通过使用混沌反向学习策略增强了种群多样性，同时结合自 适应螺旋搜索策略对ssa的发现者和追随者的位置进行更新，扩大了个体的 搜索范围，增强了算法的全局搜索能力；
[0061]
2、本发明在迭代过程中，使用自适应数量控制策略逐步减少使用混沌 反向学习策略的种群数，缩小了搜索范围，加快了算法收敛，从而提升了 算法的局部搜索能力，避免了现有算法容易陷入局部最优的问题。
[0062]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0063]
图1是本发明实施例提供的cossa的一种流程示意图；
[0064]
图2是本发明实施例提供的cossa的另一种流程示意图；
[0065]
图3是本发明实施例提供的一种基于混沌反向学习和自适应螺旋搜索 的改进麻雀搜索装置的结构示意图；
[0066]
图4是本发明实施例提供的一种电子设备的结构示意图；
[0067]
图5是本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
[0068]
研究发现，在麻雀群体的觅食活动中，内部存在不同的分工。其中， 麻雀个体大致可以划分为发现者和跟随者两种不同的类型。发现者主要负 责在环境中搜索食物，为整个麻雀群体提供发现食物的地点和方向。其他 个体称为跟随者，通过跟随发现者来获得食物。发现者和跟随者两种身份 是不固定的，麻雀个体可以跟随场景的变换，灵活地转换自己的身份。麻 雀种群的觅食过程主要通过发现者-跟随者机制来实现。不仅如此，麻雀种 群中的个体会和同伴争夺食物资源，监视同伴在捕食过程中的行为。由于 靠近外围的麻雀个体在捕食过程中更容易受到外来者的攻击，故外部的麻 雀个体会不断调整自己的位置，向内部或者相邻的同伴靠拢，来增加自身 的安全性。
[0069]
现有的麻雀搜索算法便是基于此特性来实现的。为了使算法的实现具 有简易性、高效性和易解释性，在进行算法设计时，需遵循以下预先设计 好的六大原则：
[0070]
(1)麻雀种群中发现者个体的适应度值一般较优，在种群觅食过程中负 责搜索食物，并给跟随者传递觅食的方向和地点信息；
[0071]
(2)在觅食过程中，当麻雀个体遇到危险时，会发出鸣叫作为预警信号。 如果预警信号值超过预先设置的安全阈值，麻雀种群中的发现者会将跟随 者带离该区域，去寻找别的安全域继续觅食；
[0072]
(3)麻雀种群中发现者和跟随者的身份是不固定的，当跟随者找到了更 好的觅食地点和食物来源，该个体的身份就会从跟随者转变为发现者，同 样也会有同等数量的发现者转变为跟随者身份，因为算法预设整个麻雀种 群中的发现者和跟随者的比例是固定的；
[0073]
(4)由于发现者会优先到达觅食地点进食补充自身的能量，后来的跟随 者相对只能获得较少的食物。因此，最后来的跟随者的适应度值最差，这 促使它们去其他地方进行觅食，优化自身的适应度值，增加了对其他未搜 索区域的探索；
[0074]
(5)跟随者在接收到发现者的信息后，会选择找到最多食物的发现者， 跟随它们的脚步去觅食，或者在其周围搜索食物，因为他们相信在最优秀 的发现者身边更有可能搜寻到食物，并且一些麻雀会监控这些发现者，当 发现者找到有食物的区域，会过去参与食物资源的竞争；
[0075]
(6)受到外来者攻击时，处于搜索觅食边缘的麻雀个体会不断调整自身位置，向内部安全区域靠拢；处于内部安全区域的麻雀个体，会尽量靠近自己的同伴，增加自身的安全性。
[0076]
为了进一步改善ssa性能，提高ssa的收敛速度和局部最优规避能力，本发明在遵循上述六大原则的基础上，提出了一种使用混沌反向学习策略和自适应螺旋搜索策略的改进麻雀搜索算法(简称cossa)。下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0077]
实施例一
[0078]
请参见图1，图1是本发明实施例提供的cossa的一种流程示意图，其包括：
[0079]
步骤1：初始化ssa算法参数，并利用混沌反向学习策略初始化种群。
[0080]
首先，假设麻雀种群的初始规模是n，用x＝{x
1,1
,x
1,2
,...,x
2,1
,...,x
n,d
}表示；其中，d表示待求解问题的维度数。初始化麻雀群体成员在解空间中的初始位置，种群中发现者和跟随者的比例，以及最大迭代次数t
max
、预警值r、安全值st、随机值q等参数值。
[0081]
然后，利用混沌反向学习策略初始化种群。
[0082]
a)将混沌映射函数与反向学习策略相结合，构建混沌反向学习数学模型；
[0083]
具体地，反向学习策略(opposition-basedlearning，obl)是近年来计算领域出现的一种新技术，由tizhoosh提出，研究表明反向解更靠近全局最优解的概率比当前原始解高出近50％。obl主要通过生成每一个个体的反向位置，并对原始个体和反向个体进行评估，保留优势个体进入下一代，从而增强种群多样，避免算法陷入局部最优。具体的obl公式如下式(1)所示：
[0084][0085]
式中，表示解空间中第t代第i个个体的位置，是对应的反向解；ub和lb分别表示搜索空间的上下边界。
[0086]
在本实施例中，为了进一步增强种群多样性，克服基本obl生成的反向解不一定比当前解更优的不足，考虑到立方混沌映射具有随机性和遍历性的特点，能够帮助生成新解，增强种群多样性，因此本实施例将混沌映射同obl结合，提出了一种混沌反向学习机制(chaosopposition-basedlearning，cobl)，具数学模型描述如下式(2)：
[0087][0088]
其中，表示种群中第i个个体对应的混沌反向学习机制生成的解，λi表示所选的混沌映射值，表示解空间中第t代第i个个体的位置。
[0089]
进一步地，对于混沌映射函数的选择，本实施例提供了十种常见的混沌映射，如表1所示。
[0090]
表1混沌函数集
[0091][0092][0093]
更进一步地，为了从这十种混沌映射中选出最优映射，本实施例还通 过利用基准测试函数对该十种混沌映射进行了评估分析。具体地，本实施 例选用了23个表2所示的经典测试函数f1-f23(即表2中的f
01-f
23
)。
[0094]
表2经典测试函数
[0095][0096][0097]
其中，单峰函数f1-f7只有一个全局最优值，主要用于测试算法的局 部开发能力；多峰函数具有多个局部最小值，可用于测试算法的全局探索 能力和局部最优规避能力。
[0098]
经对比评估，logistic map映射算法相较于其他算法，具有较好的性能， 因此，本实施例优选logistic map混沌映射函数x
i+1
＝axi(1-xi),a＝4与反 向学习策略相结合，以形成本实施例中的混沌反向学习数学模型。
[0099]
需要说明的，在本发明中，还可以通过其他混沌函数与反向学习策略 相结合，本
实施例对此不做限定。
[0100]
b)利用混沌反向学习数学模型初始化种群。
[0101]
具体地，对于群智能优化算法，初始化种群质量对于算法效率有很大 影响，因此，本实施例使用cobl生成初始种群，以改善种群质量，提高 算法收敛精度。
[0102]
步骤2：计算种群中每个个体的初始适应度值，并确定最优个体位置；
[0103]
在本实施例中，可根据具体解决的问题构建合适的适应度函数，并据 此计算出每个个体初始的适应度函数值，然后将适应度值最大的个体作为 最优个体，获得其位置信息。
[0104]
步骤3：采用自适应螺旋搜索策略分别对种群中发现者和跟随者的位置 进行更新。
[0105]
在本实施例中，通过现有的基本麻雀搜索算法的更新公式可知，发现 者在每次的迭代更新中，会向个体最优解迅速靠近，这样有很强的开发能 力，但是丧失了在靠近最优个体过程中对附近搜索空间的探索，种群多样 性降低，容易陷入局部最优。对于追随者来说，同样受到相同的困扰，围 绕最好的个体进行觅食的追随者容易受到最优个体的影响，当最优个体陷 入局部最优时，会导致这些追随者迷失方向，不利于算法的性能。为了克 服ssa的这些问题，本实施例提出了使用螺旋搜索策略对上述发现者和追 随者的位置公式进行修改，同时考虑到螺旋搜索策略是一种固定螺旋线参 数的搜索策略，本实施例针对发现者和追随者分别提出两种自适应螺旋搜 索策略，具体如下：
[0106]
对于发现者：本实施例采用传统搜索策略或者螺旋搜索策略更新发现 者位置。由于对于每个问题，算法不可能表现出同样好的性能，因此使用 随机概率p来选择两种策略，两种策略的选择概率相同。
[0107]
具体地，请参见图2，图2是本发明实施例提供的cossa的另一种流 程示意图，当随机概率p小于0.5时，采用传统搜索策略，否则，采用螺旋 搜索策略。
[0108]
更具体地，采用传统搜索策略更新发现者位置的数学模型如下式(3)：
[0109][0110]
其中，x
i,j
(t+1)表示解空间中第t+1代第i个个体在第j维度上的位置； x
i,j
(t)表示解空间中第t代第i个个体在第j维度上的位置；t为当前迭代次 数，t
max
为最大迭代次数；α是(0,1]的随机值；r和st分别表示麻雀觅食过 程中遇到危险时的预警值和安全值，且r的取值范围是[0,1]，st的取值范 围是[0.5,1]。当r≥st时，表示一些麻雀个体遇到危险发出的鸣叫值超过了 安全阈值，此时发现者需要引导跟随者转移阵地，去寻找另一个安全的地 点搜索食物；当r＜st时，表示麻雀遇到发出的鸣叫值小于安全值，表示此 时麻雀群体搜索的环境周围没有危险，或者相对来说是安全的，发现者可 以继续扩大搜索范围，往外搜索食物；q是满足正态分布的随机数；l是 维度为l*d、元素均为1的矩阵。
[0111]
采用螺旋搜索策略更新发现者位置的数学模型表示为下式(4)：
[0112][0113]
β＝e
al
·
cos(2πa)
ꢀꢀ
(5)
[0114][0115]
其中，表示解空间中第t+1代第i个个体的位置；表示解空间中 第t代第i个个体的位置；表示解空间中第t代最优个体的位置。
[0116]
在式(4)-式(6)中，参数l根据迭代次数而变化，并且由基于e的指数函数 组成。螺旋的大小和幅度根据cos函数的属性动态调整。
[0117]
分析可知，每代个体在更新位置时，以螺旋状逐步靠近，在前期搜索 更多高质量解，增加了对周围空间的探索，使种群多样性得到维持，增强 了算法的全局探索能力，在迭代后期，搜索范围减小，减少对无效空间的 搜索，提升了算法的收敛性能。
[0118]
对于跟随者：本实施例也提供了两种搜索策略，即可采用传统搜索策 略更新跟随者位置，或者利用当前代最优个体位置和待更新个体的近邻个 体位置更新跟随者位置。本实施例同样使用随机概率p来选择两种策略， 两种策略的选择概率相同。当随机概率p小于0.5时，采用传统搜索策略， 否则，采用螺旋搜索策略。
[0119]
在预先约定的规则(5)中，一些跟随者由于找不到食物补充能量，会监 控发现者的行动，因为这些跟随者认为发现者更有可能找到食物。当发现 者搜索到更好的食物以后，跟随者会离开自己所在的位置去竞争发现者的 食物，如果能够抢到食物就食用补充能量，否则会执行规则(4)，后来的跟 随者没有获得食物，为了获得食物能量补给，只能被迫去其他区域搜索食 物。由此，采用传统搜索策略更新跟随者位置的数学模型可以表示为下式(7)：
[0120][0121]
其中，x
i,j
(t+1)表示解空间中第t+1代第i个个体在第j维度上的位置； x
i,j
(t)表示解空间中第t代第i个个体在第j维度上的位置；t为当前迭代次 数；q是满足正态分布的随机数；xw表示当前解空间中最差个体位置， x
p
(t)表示解空间中第t代最优个体位置；a是维度l*d、元素都是1或者-1 的矩阵，且a
*
满足关系式a
*
＝a
t
(aa
t
)-1
；n表示种群的初始数量。
[0122]
对于追随者来说，由于其只跟随最优个体，因此很容易跟随最优个体 陷入局部最优，为了增多个体间的交流，增强种群多样性，本实施例提出 了让每一个跟随者同时参考最优个体和位于他前面的一个个体进行位置更 新，具体数学模型如下式(8)所示：
[0123][0124]
式中，表示解空间中第t+1代第i个个体的位置；表示解空间中 第t代最优个体的位置；表示解空间中第t代第i-1个个体的位置；表 示解空间中第t代第i个个体的位置；r1∈(0,1)是一个均匀分布的随机数。
[0125]
和发现者选择螺旋搜索策略和原有搜索策略的方法相同，追随者在每 次迭代时，随机选择一种策略进行位置更新。
[0126]
需要说明的是，在每次迭代更新过程中，发现者和跟随者的数量和个 体是不确定的，需要根据每个个体的适应度值以及预设的发现者和跟随者 的比例去划分确定。具体地，可按照比例和当前代种群个体的总数，设置 一适应度阈值pd，当个体适应度值大于该阈值时，将该个体确定为发现者， 否则，确定其为跟随者，如图2所示。
[0127]
步骤4：对种群中预警个体的位置进行更新。
[0128]
在预先约定的规则(6)中，觅食过程中麻雀个体遇到危险时，会往搜索 圈内或者其他同伴身边靠拢。该过程的麻雀个体更新位置的方法如公式(9) 所示。
[0129][0130]
其中，xb是当前迭代全局解空间中适应度值最优的位置；β是满足均 值为0，方差为1的正态分布的随机值，称为步长调节因子；k是[-1,1]之间 的随机值，表示麻雀个体移动的方向；ε是接近零的常数，防止分母出现0的 错误；fi是当前迭代下第i只麻雀个体的适应度值；fb是当前迭代下全局解 空间中适应度值最优的值；fw是当前迭代下全局解空间中适应度值最差的 值。当fi≠fb时，表示第i只麻雀的在觅食圈的外围，更容易受到外来者的 攻击；当fi＝fb时，表示一些麻雀个体意识到出现了危险，要往周围的同伴 靠拢来保证自己的安全。
[0131]
步骤5：采用混沌反向学习策略对种群中的每个个体位置进行更新。
[0132]
具体地，利用步骤1构建的混沌反向学习策略数学模型，也即公式(1)， 对整个种群中每个个体位置进行更新。
[0133]
需要说明的是，随着迭代的进行，对所有个体使用混沌反向学习策略， 会出现很多的无用搜索，增加计算成本，同时不利于算法收敛。因此本实 施例在步骤5之后，采用种群线性递减策略更新种群的个体总数量，以对 种群数量进行边界控制，逐步减少使用混沌反向学习策略的个体数量，如 图2所示。
[0134]
具体地，线性递减策略的数学模型如下式(10)所示：
[0135][0136]
式中，其中，pop表示参与迭代的种群数量，pop
max
和pop
min
分别表示 最大数量和最小数量。
[0137]
步骤6：计算种群中每个个体的适应度值，更新最优个体位置并保留部 分优势个体。
[0138]
具体地，在每一次迭代过程中，使用cobl策略生成经过步骤3-5三 种策略更新后的种群对应的反向种群，并分别进行适应度值评估，保留优 势个体进入下一代。
[0139]
步骤7：若判断当前迭代次数达到最大迭代次数，则输出最优个体位置； 否则，返回步骤3继续执行。
[0140]
本实施例提供的cossa算法一方面使用混沌反向学习策略增强种群 多样性，同时使用自适应数量控制策略，逐步减少使用混沌反向学习策略 的种群数，加快算法收敛。另一方面，使用一种自适应螺旋搜索策略对发 现者和追随者的位置更新公式进行修改，进一
步扩大个体的搜索范围，增 强算法的全局搜索能力；并且随着优化过程的进行，缩小搜索范围，从而 提升了算法的局部搜索能力。
[0141]
实施例二
[0142]
下面通过将本发明的cossa算法与现有的ssa算法进行比较，以验 证本发明的有益效果。
[0143]
1、试验条件：
[0144]
在相同实验平台上，设置初始种群数为50，最大迭代次数为300。两 种算法均使用matlab r2016b编程，计算机操作系统为windows10，处 理器为【intel core i7-4710mq】16gb。
[0145]
2、试验内容及结果分析：
[0146]
本次试验中，cossa中的混沌映射采用logistic map映射算法。测试 函数采用上述实施例一中的f1-f23测试函数。
[0147]
2.1、鉴于本实施例使用的f1-f13属于多维函数，因此在dim＝30、100、 500、1000时对这13个函数进行求解。由于算法求解存在随机性，将所有 算法独立运行30次，结果如表3所示。
[0148]
表3 cossa和ssa算法在f1-f13的测试结果
[0149][0150]
由表3可知，cossa在大部分测试函数中取得较好的结果。具体来说， 对于单峰函数f1-f7，cossa无论是在低维度，还是在高维度上都获得令 人满意的结果。cossa在求解f1和f3时，能稳定取得最优值0，并且随 着维度的增加，cossa依旧如此。相比之下，ssa即便在低维的情况下， 依旧无法稳定取得最优解，表明cossa的开发能力明显优于ssa。此外， 分析所有维度的单峰函数可知，cossa在所有测试函数中均优于ssa，并 且cossa的性能没有随着维度的增加而表现出性能明显的下降，这表明本 发明提出的cossa算法极大地改善了ssa的开发能力。对于可变维度多 峰函数f8-f13，cossa在求解f12和f13时，表现出最佳性能，优于ssa 算法。值得注意的是，cossa在不同维度下的所有多峰函数中，性能均不 弱于ssa，还在六个可变维度多峰函数中的3个函数中有明显提升，这表 明cossa具有更好的全局搜索能力，本发明提出的改进策略很好地增强了 种群多样性，扩大了种群的搜索范围，从而提高了算法的探索能力。
[0151]
2.2、对于固定维度多峰函数f14-f23，表4列出两种算法的测试结果。
[0152]
表4不同算法在f14-f23的测试结果
[0153]
固定维度cossassaf141.13e+005.34e+00f153.07e-043.21e-04f16-1.03e+00-1.03e+00f173.98e-013.98e-01f183.00e+005.70e+00f19-3.86e+00-3.86e+00f20-3.27e+00-3.26e+00f21-1.02e+01-9.81e+00f22-1.04e+01-1.04e+01f23-1.05e+01-1.04e+01
[0154]
由表4可以看出，相比ssa，cossa在所有测试函数中都提供了更好 的解决方案。
[0155]
由以上分析表明，本发明提出的cossa能够很好的平衡开发和探索能 力，并且具有较强的局部最优规避能力。
[0156]
2.3、采用friedman检验进行多重比较，结果如表5所示。
[0157]
表5不同算法的friedman检验
[0158][0159][0160]
由表5可以看出，cossa的总排名值为1.59，优于ssa的2.76。且无 论是求解不同维度下的f1-f13，或是固定维度f14-f23，cossa结果均优 于ssa，这从统计学上证明了本发明提出的改进策略能有效帮助cossa平 衡开发和探索能力，并且具有较好的局部最优规避能力。
[0161]
实施例三
[0162]
在上述实施例一的基础上，本实施例提供了一种基于混沌反向学习和 自适应螺旋搜索的改进麻雀搜索装置。请参见图3，图3是本发明实施例提 供的一种基于混沌反向学习和自适应螺旋搜索的改进麻雀搜索装置的结构 示意图，其包括：
[0163]
初始化模块1，用于初始化ssa算法参数，并利用混沌反向学习策略初 始化种群；
[0164]
计算模块2，用于计算种群中每个个体的初始适应度值，并确定最优个 体位置；
[0165]
第一更新模块3，用于采用自适应螺旋搜索策略分别对种群中发现者和 跟随者的位置进行更新；
[0166]
第二更新模块4，用于对种群中预警个体的位置进行更新；
[0167]
第三更新模块5，用于采用混沌反向学习策略对种群中的每个个体位置 进行更
新；
[0168]
输出模块6，用于若判断当前迭代次数达到最大迭代次数，则输出最优 个体位置；其中，
[0169]
所述计算模块2还用于更新种群中每个个体的适应度值和最优个体位 置，并保留部分优势个体。
[0170]
本实施例提供的装置可用于实现上述实施例一提供基于混沌反向学习 和自适应螺旋搜索的改进麻雀搜索方法，详细过程在此不再赘述。
[0171]
实施例三
[0172]
在上述实施例一的基础上，本实施例提供了一种电子设备，请参见图4， 图4是本发明实施例提供的一种电子设备的结构示意图，其包括处理器、 通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通 信总线完成相互间的通信；
[0173]
存储器，用于存放计算机程序；
[0174]
处理器，用于执行存储器上所存放的程序时，实现上述实施例一提供 的方法步骤，实现原理和技术效果类似，在此不再赘述。
[0175]
实施例四
[0176]
在上述实施一的基础上，请参见图5，图5是本明实施例提供的一种计 算机可读存储介质的结构示意图。本实施例提供的一种计算机可读存储介 质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述实 施例一提供的方法步骤，实现原理和技术效果类似，在此不再赘述。
[0177]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简 单推演或替换，都应当视为属于本发明的保护范围。