基于覓食能力分配搜索任務(wù)的侏儒貓鼬優(yōu)化算法

摘 要：針對侏儒貓鼬優(yōu)化算法存在的不足，提出一種基于覓食能力分配搜索任務(wù)的侏儒貓鼬優(yōu)化算法。首先采用tent 混沌自適應(yīng)步長平衡全局搜索與局部開發(fā)；針對al?pha 組搜索盲目性問題，優(yōu)化其移動方向及移動能力；針對偵察組算法移動方向存在誤導(dǎo)性問題，增強其個體糾錯能力，從而提升個體覓食能力；改進(jìn)保姆組移動算法，提升種群的局部開發(fā)能力；最后提出一種新的種群覓食策略，平衡各算法之間調(diào)用策略，提升算法整體性能。通過解決12 個基準(zhǔn)測試函數(shù)與支持向量機的參數(shù)優(yōu)化問題，對該文算法性能進(jìn)行數(shù)值實驗驗證。實驗結(jié)果表明FADMO 的全局收斂精度與全局收斂速度均有明顯提高，并適用于實際問題求解。

關(guān)鍵詞：智能優(yōu)化；侏儒貓鼬優(yōu)化算法（DMO）；覓食能力分配任務(wù)；支持向量機參數(shù)優(yōu)化

中圖分類號： TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1673-8462（2023）03-0074-12

0 引言

由于群智能優(yōu)化算法在科學(xué)、工程等諸多領(lǐng)域（如圖像處理［1-2］、路徑規(guī)劃［3-4］、參數(shù)優(yōu)化［5-6］等）已經(jīng)得到了較好的應(yīng)用，因而群智能優(yōu)化算法的研究越來越受到國內(nèi)外研究者的重視。目前針對群智能優(yōu)化算法的研究主要有：一種是原創(chuàng)性地提出群智能優(yōu)化算法（如海鷗優(yōu)化算法（SOA）［7］、麻雀搜索算法（SSA）［8］、學(xué)生心理優(yōu)化算法（SPBO）［9］、黑寡婦優(yōu)化算法（BWO）［10］、算術(shù)優(yōu)化算法（AOA）［11］、阿奎拉優(yōu)化算法（AO）［12］等）；另一種是進(jìn)一步完善現(xiàn)有群智能優(yōu)化算法［13-15］，并將其應(yīng)用于解決工程等方面的實際問題。

侏儒貓鼬優(yōu)化算法（Dwarf Mongoose Optimiza?tion，DMO）［16］是Agushaka 等人受侏儒貓鼬群體內(nèi)部社會分工及各分工下協(xié)同覓食行為的啟發(fā)，于2022 年提出的一種新的群智能優(yōu)化算法。然而DMO 存在全局收斂速度慢、優(yōu)化精度不高、易陷入局部最優(yōu)等問題。針對DMO 存在之不足，國內(nèi)外研究者提出了各種改進(jìn)方法：Elaziz 等人［17］通過引入量子進(jìn)化算法改進(jìn)局部搜索，以期避免陷入局部最優(yōu)陷阱；Olatunji 等人［18］通過引入模擬退火算法改進(jìn)局部搜索，以期提升算法的局部搜索能力；賈鶴鳴等人［19］通過引入透鏡成像反向?qū)W習(xí)與精英池策略，以期提升算法的收斂性能；Agushaka 等人［20］通過改進(jìn)種群內(nèi)各分工算法策略，以期能提升算法的探索和開發(fā)能力；趙世杰等人［21］通過引入領(lǐng)導(dǎo)者策略與支配解動態(tài)縮減進(jìn)化策略，以期提升算法的收斂性能與多樣性。盡管文獻(xiàn)［17-21］提出的改進(jìn)策略在一定程度上改善了DMO的優(yōu)化性能，但仍存在收斂速度較慢、優(yōu)化精度不高之不足，仍有待進(jìn)一步提升。

基于此，筆者提出基于覓食能力分配搜索任務(wù)的侏儒貓鼬優(yōu)化算法（The Dwarf mongoose Optimiza?tion Algorithm based on Foraging Ability to AllocateSearch Tasks， FADMO）：首先通過tent 混沌自適應(yīng)步長優(yōu)化個體移動距離，平衡算法全局搜索與局部開發(fā)的能力；通過優(yōu)化alpha 組搜索模型使得其個體移動方向更加明確；通過優(yōu)化偵查組搜索模型改進(jìn)偵查組個體定向開發(fā)能力；通過優(yōu)化保姆組搜索模型使得保姆組在局部尋優(yōu)上具有更強的性能；最后通過構(gòu)建一種新的種群內(nèi)個體任務(wù)分配方法使得種群內(nèi)個體根據(jù)個體信息在不同搜索模式上變換，從而提升算法整體尋優(yōu)精度與收斂速度。并通過數(shù)值實驗仿真與解決SVM 參數(shù)調(diào)優(yōu)問題驗證了本文提出的改進(jìn)策略是有效的和可行的。

1 DMO 算法簡介

1.1 DMO 算法基本思想

侏儒貓鼬優(yōu)化算法（DMO）［16］的基本思想如下：

DMO 算法中將侏儒貓鼬種群的社會結(jié)構(gòu)分為al?pha 組、偵查組和保姆組。其中alpha 組與偵查組為同一組個體，即尋找新的睡眠丘與覓食是由同一群貓鼬完成的，當(dāng)alpha 組進(jìn)行覓食活動時，若保姆交換條件達(dá)成，它們就會變更為偵察組去尋找拜訪新的睡眠丘。

在侏儒貓鼬種群中，alpha 組為模擬種群作為一個整體覓食，其首領(lǐng)由概率α 根據(jù)公式（1）計算得出。

其中，fiti 表示個體i 的適應(yīng)度，alpha 組個體數(shù)為n - bs，bs 為保姆組個數(shù)。

alpha 組在雌性首領(lǐng)鳴叫的引導(dǎo)下，根據(jù)公式（2）尋覓食物源。

xi （ t + 1 ）= xi （ t ）+ phi × peep （2）

其中，phi 為[-1，1 ] 中的均勻隨機數(shù)，peep 為雌性首領(lǐng)“發(fā)聲”距離（DMO 置peep = 2），t 為當(dāng)前迭代時刻。且在每次迭代后，根據(jù)公式（3）計算alpha 組睡眠丘值，并根據(jù)公式（4）計算alpha 組睡眠丘的平均值。

標(biāo)準(zhǔn)DMO 中，保姆組的表現(xiàn)形式為保姆交換條件：當(dāng)alpha 組內(nèi)個體覓食活動耗時C 超過DMO 設(shè)置的保姆交換條件L 時，則代表該個體覓食效率不佳，激活保姆交換條件，alpha 組中覓食能力較差的個體將會被alpha 組舍去并隨機生成新的位置。完成保姆交換條件判斷后，alpha 組將變?yōu)閭刹旖M用于尋覓種群中的下一個睡眠丘。

1.2 DMO 算法實現(xiàn)步驟

基于以上算法思想，DMO 給出的算法模型和實現(xiàn)步驟如下：

開始：輸入目標(biāo)函數(shù)f （ x ），種群規(guī)模n，保姆組個數(shù)bs，alpha 組個數(shù)n = n - bs，保姆交換條件L。

Step1：初始化種群xi，i = 1，…，n。

Step2：設(shè)置個體計數(shù)器C，并計算每一個體的適應(yīng)度fiti = f （ xi ），i = 1，…，n。

Step3：選取alpha 組雌性首領(lǐng)。alpha 組中雌性個體i 被選為首領(lǐng)的概率α 按公式（1）計算。

Step4：alpha 組中個體在雌性首領(lǐng)的引導(dǎo)下，按公式（2）尋覓食物。

Step5：計算由Step4 確定的新位置的適應(yīng)度值fiti （ t + 1 ），若fiti （ t + 1 ） 優(yōu)于fiti （ t ），則更新個體位置，反之不變。

Step6：根據(jù)公式（3）計算新的睡眠丘。

Step7：根據(jù)公式（4）計算alpha 組睡眠丘的平均值。

Step8：判斷alpha 組個體是否滿足保姆交換條件，若滿足則重新初始化對應(yīng)個體，并計算其適應(yīng)度值。

Step9：alpha 組轉(zhuǎn)換為偵察組，按公式（5）更新位置，并計算xi （ t + 1 ）的適應(yīng)度。

Step10：判斷是否達(dá)成停止條件：若是則轉(zhuǎn)Step11；否則轉(zhuǎn)Step3。

Step11：算法停止，輸出最優(yōu)位置和相應(yīng)最優(yōu)值。

2 本文算法

2.1 tent 混沌自適應(yīng)步長

標(biāo)準(zhǔn)DMO 中，搜索步長取定值（DMO 置peep =2）限制了個體搜索的靈活機動性，削弱了個體的全局探索和局部開發(fā)能力。且現(xiàn)實生活中，隨覓食時間增加，種群成員逐漸聚集，呼喚同伴所需要的“ 發(fā)聲”距離也會越短。針對上述特性，本文算法提出tent 混沌自適應(yīng)步長：

其中，t 為當(dāng)前迭代次數(shù)，T 為最大迭代次數(shù)，r2 為[ 0，1 ] 中的隨機數(shù)。peep（ t ） 關(guān)于時間t 的變化關(guān)系如圖1 所示。

分析公式（6）：a）peep（ t ） 呈現(xiàn)混沌下降波動特征，這可增強個體搜索的遍歷性、隨機性和靈活性，從而增強了種群在算法前期的全局探索能力。b）peep（ t ） 的波動范圍隨著搜索時間t 的增加呈現(xiàn)越來越窄趨勢且步長逐漸減小，提升了個體在算法后期的局部搜索能力，進(jìn)而增強了算法的局部開發(fā)能力，也反映了覓食時間越長，發(fā)聲距離越短的特征。

2.2 改進(jìn)Alpha 組搜索模型

標(biāo)準(zhǔn)DMO 中alpha 組搜索模型為公式（2），其目的是讓alpha 組個體不受群體其他個體的影響，而開展球域范圍內(nèi)的自由活動。但這種搜索策略為無目的盲目移動，造成尋優(yōu)方向無序，影響算法收斂性能；且該覓食策略使得覓食引領(lǐng)者之間各自為政，僅根據(jù)自身位置規(guī)劃覓食路徑，降低了種群找到全局最優(yōu)的效率?，F(xiàn)實生活中，若覓食引領(lǐng)者（alpha 組）中的某個成員發(fā)現(xiàn)某地方的食物比較多，通常會呼喚同伴前來這一區(qū)域覓食。基于上述問題，本文算法針對標(biāo)準(zhǔn)DMO中alpha 組覓食算法（公式（2）），提出改進(jìn)alpha 組搜索方法如下：

xi （ t + 1 ）= xi （ t ）+ r × peep（ t ）×（（ 0.7 × Gbest （ t ）+0.3 × xj （ t ） ）- xi （ t ） ） （7）

i = 1，…，l s，j = 1，…，ls。其中：r 為[ 0，1 ] 中的均勻隨機數(shù)，Gbest （ t ） 為算法當(dāng)前全局最優(yōu)位置，xj 為al?pha 組隨機選擇的一個個體。

分析公式（7）：a）公式（7）通過引入當(dāng)前全局最優(yōu)位置Gbest （ t ） 與alpha 組隨機個體xj 進(jìn)行加權(quán)組合，使得本文算法alpha 組在保證移動方向偏向當(dāng)前全局最優(yōu)位置的同時增加了擾動，避免算法出現(xiàn)早熟和陷入局部最優(yōu)陷阱的情況。b）通過引用tent 混沌自適應(yīng)步長peep（ t ） 替代標(biāo)準(zhǔn)DMO 中的固定步長peep 使得覓食引領(lǐng)者的運動距離更具多樣性，提升了算法求解的靈活機動性，增強了個體的覓食能力與跳出局部最優(yōu)陷阱的能力。

2.3 偵察者搜索模型

標(biāo)準(zhǔn)DMO 中偵查組為alpha 組轉(zhuǎn)換而來，所用移動公式為公式（5）。其目的是比較alpha 組內(nèi)所有個體當(dāng)前時刻與上一時刻適應(yīng)度值的優(yōu)劣，進(jìn)而修正alpha組個體的移動方向，使個體朝向理論最優(yōu)位置移動。觀察可得：a）φ 由公式（4）生成，為alpha 組所有個體睡眠丘的平均值；b）移動向量M 由公式（7）生成，是決定貓鼬移動到新的睡眠丘的方向向量。但alpha 組中不同個體的位置不同，所需要修正的方向與距離均不相同。因此，公式（5）易造成單一個體進(jìn)行錯誤的覓食移動，影響算法的收斂性能?；谏鲜鰡栴}，本文算法針對標(biāo)準(zhǔn)DMO 中偵察組覓食算法（公式（5）），提出改進(jìn)偵查組搜索方法如下：

xi （ t + 1 ）= xi （ t ）+ b × exp （ |smi |）× peep（ t ）×xi （ t ）+ c × peep（ t ）×（ Gbest （ t ）- xi （ t ） ） （8）

其中b = smi /| smi |，smi 由公式（3）確定，c = 0.01，Gbest （ t ）為種群當(dāng)前最優(yōu)位置。

分析公式（8）：a）smi 反映了個體i 當(dāng)前時刻與上一時刻適應(yīng)度值的優(yōu)劣。其中：smi lt; 0 表示個體i 當(dāng)前時刻對應(yīng)位置更靠近理論最優(yōu)位置，反之表示個體i當(dāng)前時刻對應(yīng)位置更遠(yuǎn)離理論最優(yōu)位置；b）| smi |則表示個體i 當(dāng)前時刻與上一時刻適應(yīng)度值變化幅度，| smi |越大表示個體i 當(dāng)前時刻較上一時刻適應(yīng)度值變化明顯，應(yīng)采用大步長進(jìn)行全局開發(fā)，反之表示個體i當(dāng)前時刻較上一時刻適應(yīng)度值變化微弱，應(yīng)采用小步長進(jìn)行局部尋優(yōu)。基于上述兩點，公式（8）添加b =smi /| smi |，其值為1 或-1，為偵察組個體前進(jìn)方向；添加exp （ |smi |） 作為偵察組移動步長權(quán)重；添加c ×peep（ t ）×（ Gbest （ t ）- xi （ t ） ），增加個體i 覓食移動的多樣性，避免算法陷入局部最優(yōu)。

2.4 保姆者搜索模型

標(biāo)準(zhǔn)DMO 中，對滿足保姆交換條件的個體進(jìn)行隨機位置生成，屬于隨機覓食策略。這種搜索策略因其過于盲目，會造成算法整體收斂速度過慢，收斂精度較低的問題。且保姆組負(fù)責(zé)照顧侏儒貓鼬幼崽成長，隨機位置生成會導(dǎo)致食物質(zhì)量不一?，F(xiàn)實生活中，為了確保種群中侏儒貓鼬幼崽的成長，在找到更優(yōu)的覓食區(qū)域后種群會將睡眠丘（老巢）安置于此，方便幼崽覓食成長，并由種群中覓食能力較弱者擔(dān)任保姆，覓食的同時負(fù)責(zé)幼崽的安全保衛(wèi)工作?；谏鲜鰡栴}，本文算法針對標(biāo)準(zhǔn)DMO 中保姆組（滿足保姆交換條件）的隨機覓食策略，提出改進(jìn)保姆組搜索方法如下：

xi （ t + 1 ）= Gbest （ t ）+ d × r × peep（ t ）× Gbest （ t ） （9）

其中d 取0.7，r 為[-1，1 ] 中的均勻隨機數(shù)，Gbest （ t ） 為當(dāng)前迭代時刻中的種群最優(yōu)位置。

分析公式（9）：a）本文算法將保姆組個體遷移至種群當(dāng)前最優(yōu)位置，其目的為保證具有充足的食物，從而更好的照顧侏儒貓鼬幼崽的成長；b）公式（9）以種群當(dāng)前最優(yōu)位置為球心，使個體i 在球域范圍內(nèi)開展局部搜索。因保姆組需要保護(hù)侏儒貓鼬幼崽的安全，其移動能力也會因此受到限制，故公式（9）中添加參數(shù)d（本論文取0.7）以模擬行動受限的移動算法。

2.5 個體任務(wù)分配方法

本文在標(biāo)準(zhǔn)DMO 基礎(chǔ)上對其三種不同的搜索算法進(jìn)行了改進(jìn)。為了有效地應(yīng)用三種改進(jìn)搜索算法，本文算法設(shè)置不同分組分配策略如下：1）本文算法設(shè)置保姆交換參數(shù)L = max { 0.02 × T，3 }，其中T 為最大迭代次數(shù)，設(shè)置計數(shù)參數(shù)Ci，其中i = 1，2，…，n；2）種群中個體i 初始化時其Ci = 0，在t + 1 時刻個體i 求得新位置適應(yīng)度值劣于t 時刻適應(yīng)度值時Ci = Ci + 1，反之Ci = 0；3）當(dāng)個體i 的Ci lt; ceil（ L/3 ）時，即認(rèn)為該個體尋優(yōu)能力較強，設(shè)為alpha 組個體，執(zhí)行移動策略公式（7），當(dāng)ceil（ L/3 ） ≤ Ci lt; L 時，即認(rèn)為該個體執(zhí)行公式（7）策略效果較差，應(yīng)由領(lǐng)袖變?yōu)閭刹煺?，?zhí)行移動策略公式（8），當(dāng)Ci = L 即代表該個體尋優(yōu)能力最差，身份變更為保姆者，執(zhí)行策略公式（9），并重置Ci = ceil（ L/3 ）- 1。其中ceil（ x ） 表示對x向上取整。

2.6 算法實現(xiàn)步驟

FADMO 算法流程圖見圖2，算法實現(xiàn)步驟如下：

Input： 目標(biāo)函數(shù)f （ x ），種群規(guī)模n，搜索空間維數(shù)D，保姆交換參數(shù)L。

Step1： 初始化種群xi，評估每一個體的適應(yīng)度值fiti （ t ），選出最優(yōu)個體位置Gbest （ t ），重置個體Ci，i =1，2，…，n。

Step2： 根據(jù)個體任務(wù)分配方法判斷個體所屬組別，根據(jù)組別條件分別選擇公式（7）、（8）、（9）更新其位置。

Step3： 評估每一個體的適應(yīng)度值fiti （ t + 1 ），若優(yōu)于fiti （ t ），則更新個體位置，反之不變。

Step4： 根據(jù)新位置適應(yīng)度評判與個體任務(wù)分配方法更新Ci，更新smi。

Step5： 判斷是否達(dá)成停止條件：若是則轉(zhuǎn)Step6；否則轉(zhuǎn)Step2。

Step6： 算法停止，輸出最優(yōu)位置和相應(yīng)最優(yōu)值。

2.7 算法復(fù)雜度分析

設(shè)種群規(guī)模為n，最大迭代次數(shù)為T，搜索空間維度為D。初始化過程中時間復(fù)雜度為O （ N ），標(biāo)準(zhǔn)DMO 算法中的時間復(fù)雜度為O （ N ×（ T × D + 1 ） ）。本文算法中，對種群初始化未進(jìn)行改動，時間復(fù)雜度為O （ N ），針對算法迭代并未添加其他算式，僅對不同分類組別算法算式進(jìn)行優(yōu)化，并優(yōu)化種群個體任務(wù)分配方法，故算法迭代期間時間復(fù)雜度為O （ T × N ×D ）。因此本文算法的時間復(fù)雜度為O （ N ×（ T × D +1 ） ），與標(biāo)準(zhǔn)DMO 的時間復(fù)雜度一致。

3 數(shù)值實驗仿真分析

3.1 仿真實驗環(huán)境與測試函數(shù)

實驗仿真測試環(huán)境為：64 位Windows 10 操作系統(tǒng)，處理器為AMD 2600X，主頻3.6 GHz，內(nèi)存16 GB，仿真軟件為Matlab R2020b。

為了全面分析本文算法性能，與國內(nèi)外學(xué)者對標(biāo)準(zhǔn)DMO 算法提出的改進(jìn)算法BDMSAO［18］、IDMO［19］以及標(biāo)準(zhǔn)DMO［16］算法、海鷗優(yōu)化算法（SOA）［10］、學(xué)生心理優(yōu)化算法（SPBO）［12］進(jìn)行仿真數(shù)值實驗分析，以此來具體分析本文算法與同類型改進(jìn)之間的優(yōu)劣差距及本文算法與其他優(yōu)化算法之間優(yōu)劣差距。本文選取了國內(nèi)外學(xué)者常用的12 個經(jīng)典基準(zhǔn)測試函數(shù)作為本文算法的函數(shù)測試集，具體見表1。

3.2 數(shù)值實驗分析

為了公平性，所有對比算法均在同一實驗環(huán)境下進(jìn)行數(shù)值實驗仿真。其中種群規(guī)模均設(shè)為30，算法最大迭代次數(shù)為500。其中DMO［16］ 、IDMO［19］ 、BDMSAO［18］、SPBO［12］、SOA［10］算法的參數(shù)設(shè)置均與相應(yīng)文獻(xiàn)設(shè)置一致。

為了盡可能降低群智能優(yōu)化算法自身隨機性對算法評價的影響，本文做數(shù)值實驗時，將本文算法與其他5 種算法針對每一基準(zhǔn)測試函數(shù)均獨立進(jìn)行了30次的測試實驗，并基于這30 次實驗所得結(jié)果，從中求出最優(yōu)值（best）、平均值（mean）與標(biāo)準(zhǔn)差（std）3 個數(shù)據(jù)評價指標(biāo)。這3 個評價指標(biāo)在總體上反映了算法優(yōu)化能力的強弱，其中：最優(yōu)值指標(biāo)反映了算法的尋優(yōu)精度；平均值和標(biāo)準(zhǔn)差指標(biāo)對應(yīng)了算法的穩(wěn)定性。六種算法分別求解表1 中的基準(zhǔn)測試函數(shù)，其數(shù)值實驗分析結(jié)果在表2 中。

根據(jù)表2 實驗結(jié)果來比較六種算法各自的優(yōu)化性能：1）本文算法在F1、F5、F6、F12 這4 個測試函數(shù)的最優(yōu)值、平均值與標(biāo)準(zhǔn)差均為相應(yīng)函數(shù)的理論最優(yōu)值，這說明本文算法在求解這4 個函數(shù)時30 次獨立實驗均能找到其理論最優(yōu)解，其余5 種算法求解這12 個基準(zhǔn)測試函數(shù)均無法在30 次獨立實驗中找到對應(yīng)函數(shù)的理論最優(yōu)解。2）從最優(yōu)值評價指標(biāo)上看，在求解F4、F9 這2 個函數(shù)時，本文算法在30 次獨立實驗中有找到其理論最優(yōu)解，其他算法求解F4、F9 這2 個函數(shù)時30 次獨立實驗均未能找到其理論最優(yōu)解；求解F2、F3、F8 這3 個函數(shù)時尋優(yōu)精度均比其余5 種算法提升230 個數(shù)量級以上；求解F7、F10、F11 這3 個函數(shù)時尋優(yōu)精度均比其余5 種算法提升1 個數(shù)量級。3）從平均值與標(biāo)準(zhǔn)差評價指標(biāo)上看，本文算法求解F2～F4、F8、F9 這5 個函數(shù)時尋優(yōu)精度均比其余5 種算法提升100個數(shù)量級以上；求解F7、F10、F11 這3 個函數(shù)時尋優(yōu)精度均比其余5 種算法提升1 個數(shù)量級。因此，本文算法在算法尋優(yōu)精度與算法穩(wěn)定性上相比其余5 種算法的提升程度非常明顯。

為了更直觀的比較6 種算法的收斂速度，本文給出6 種算法在求解表1 中基準(zhǔn)測試函數(shù)的收斂曲線對比圖，具體見圖3。從圖3 中可以看出，本文算法在所有基準(zhǔn)函數(shù)中的收斂曲線均在其他5 種對比算法收斂曲線的下方位置，因此本文算法對于所有基準(zhǔn)函數(shù)的收斂效果均比其他5 種對比算法要好，本文算法的搜索速度是6 個算法中最快的?；谝陨戏治?，說明了本文算法（FADMO）比其他5 種算法具有更快的全局收斂速度，更好的全局尋優(yōu)精度，且優(yōu)勢非常明顯。

3.3 求解不同規(guī)模下優(yōu)化問題比較

為了驗證本文算法在不同規(guī)模的優(yōu)化問題時的性能，觀察算法是否會因為優(yōu)化問題規(guī)模的增大而造成失靈現(xiàn)象出現(xiàn)，本文針對表1 中的12 個基準(zhǔn)函數(shù)，分別取維度為50 和100 兩種情況。除維度外，數(shù)值實驗分析的其他參數(shù)與3.2 中設(shè)置完全一致。數(shù)值實驗分析結(jié)果詳情在表3 中。

依據(jù)表3 實驗結(jié)果分析6 種算法的性能。對于D=50 和100 兩種不同規(guī)模：1）本文算法在F1、F5、F6、F12 這4 個函數(shù)的3 個指標(biāo)對應(yīng)值仍為對應(yīng)函數(shù)的理論最優(yōu)值，表示隨維度增加本文算法在求解上述函數(shù)時性能未下降。其余5 種算法在求解12 個基準(zhǔn)函數(shù)時，3 個指標(biāo)對應(yīng)值與D=30 相比均出現(xiàn)了數(shù)量級的下降，表示隨維度增加其他5 種算法尋優(yōu)精度與穩(wěn)定性均出現(xiàn)了下降。2）從最優(yōu)值評價指標(biāo)上看，本文算法求解F4、F9 這兩個函數(shù)時仍能找到其理論最優(yōu)解，并未因維度增加造成算法尋優(yōu)能力下降；求解F2、F3、F8、F10 這4 個函數(shù)時找到的最優(yōu)值與D=30 時量級相當(dāng)，沒有因維度增加出現(xiàn)失靈現(xiàn)象，其他5 種優(yōu)化算法在求解12 個基準(zhǔn)函數(shù)時，隨著維度的增加，最優(yōu)值尋優(yōu)精度均出現(xiàn)了下降；求解F7 時因測試函數(shù)自身理論最優(yōu)值隨維度變化而變小，故可以觀察到D=50 和100 時尋優(yōu)值逐漸更小，但本章算法求解適應(yīng)度值在六種算法中仍為最優(yōu)；求解F11 時6 種算法求解精度均隨維度增大尋優(yōu)能力增強，對比D=30、50 和100 可以發(fā)現(xiàn)本文算法提升幅度最為明顯。3）從平均值與標(biāo)準(zhǔn)差評價指標(biāo)上看，本文算法求解F2～F4、F8～F10這6 個測試函數(shù)的對應(yīng)結(jié)果相比D=30 時收斂精度略有下降，但較其他5 種算法，下降幅度更小，性能最優(yōu)；本文算法求解F7 時仍優(yōu)于其他5 種算法；求解F11 時優(yōu)于其他5 種算法并收斂精度提升數(shù)量級高于其他五種算法?；谝陨戏治觯啾扔谄渌? 種算法，本文算法不會隨維度規(guī)模增大而影響其尋優(yōu)精度，求解較大規(guī)模優(yōu)化問題時，仍表現(xiàn)出較好的優(yōu)化性能和算法穩(wěn)定性。

3.4 FADMO 解決SVM 參數(shù)調(diào)優(yōu)問題

支持向量機（SVM）作為一種基于統(tǒng)計學(xué)理論的新型機器學(xué)習(xí)方法，因其具有很好的泛化性能，并在處理高維數(shù)據(jù)集時具有一定的優(yōu)勢，在文本分類、圖像識別等方向得到了廣泛的應(yīng)用。本章使用FADMO算法解決SVM 參數(shù)調(diào)優(yōu)問題，分類器采用C-SVC。該分類算法共涉及到兩個重要參數(shù)：懲罰系數(shù)C、RBF 核函數(shù)寬度參數(shù)σ，可知問題維度為2。本章內(nèi)容中取C ∈ [ 0.01，35000 ]，σ ∈ [ 0.01，100 ]。SVM 參數(shù)調(diào)優(yōu)目的，是為了提升模型在測試集中的準(zhǔn)確率，故準(zhǔn)確率越高則參數(shù)選擇越適宜。為與本論文上述測試函數(shù)中適應(yīng)度值越低越優(yōu)相一致，本章節(jié)設(shè)置SVM 參數(shù)調(diào)優(yōu)問題適應(yīng)度函數(shù)定義公式（10），適應(yīng)度值越低則表示參數(shù)選擇越適宜，模型準(zhǔn)確率越高。

其中，Nacc 為測試集中分類正確的樣本數(shù)量，Nall 為測試集中總樣本數(shù)量。

為了全面分析FADMO 算法求解SVM 參數(shù)調(diào)優(yōu)問題性能，本文仿真中，種群規(guī)模均設(shè)為30，算法最大迭代次數(shù)為100。數(shù)據(jù)集預(yù)處理中，統(tǒng)一設(shè)置訓(xùn)練集為700 個數(shù)據(jù)樣本，測試集為1400 個數(shù)據(jù)樣本，且均為從測試數(shù)據(jù)集中隨機選擇，訓(xùn)練集與測試集均無相同樣本。將本文算法與DMO［16］、IDMO［19］、BDMSAO［18］、SPBO［12］、SOA［10］5 種算法及默認(rèn)SVM 參數(shù)設(shè)置（C =1，σ = 1/k，其中k 為特征數(shù)量）對測試數(shù)據(jù)集進(jìn)行仿真數(shù)值實驗分析，實驗環(huán)境及對比算法與3.2 一致。為了降低隨機性對算法評價的影響，針對每一測試數(shù)據(jù)集，每種算法均獨立進(jìn)行10 次實驗，且每次實驗均隨機生成一次訓(xùn)練集與測試集?；谶@10 次實驗所得結(jié)果，從中求出最優(yōu)值、平均值與標(biāo)準(zhǔn)差3 個數(shù)據(jù)作為算法評價指標(biāo)。數(shù)據(jù)集相關(guān)信息及數(shù)值實驗結(jié)果見表4。

根據(jù)表4 實驗結(jié)果來比較6 種算法各自的優(yōu)化性能：1）從最優(yōu)值與平均值指標(biāo)上看，F(xiàn)ADMO 算法求解6 個測試數(shù)據(jù)集的準(zhǔn)確率均優(yōu)于默認(rèn)參數(shù)。2）從最優(yōu)值評價指標(biāo)上看，F(xiàn)ADMO 算法求解F1～F3、F5、F6這5 個測試數(shù)據(jù)集時求解精度優(yōu)于其他5 種算法，在求解F4 這個測試數(shù)據(jù)集時求解精度與BDMSAO、SOA 兩算法并列最優(yōu)。3）從平均值與標(biāo)準(zhǔn)差評價指標(biāo)上看，F(xiàn)ADMO 在F1～F6 這6 個測試數(shù)據(jù)集中10 次求解下平均準(zhǔn)確率均高于其他5 種優(yōu)化算法，且標(biāo)準(zhǔn)差均低于其他5 種優(yōu)化算法。因此，F(xiàn)ADMO 在SVM 參數(shù)調(diào)優(yōu)問題中算法尋優(yōu)精度、算法適用性、算法穩(wěn)定性相比其余5 種算法的提升效果非常明顯。

綜合上述分析，本文算法通過與其他5 種算法對6個經(jīng)典測試數(shù)據(jù)集進(jìn)行數(shù)值實驗，驗證了FADMO 在解決支持向量機參數(shù)調(diào)優(yōu)問題時擁有較強的優(yōu)化能力，適用范圍較為廣泛。

4 結(jié)語

本文針對標(biāo)準(zhǔn)DMO 的不足，提出基于覓食能力分配搜索任務(wù)的侏儒貓鼬優(yōu)化算法（FADMO）：使用tent 混沌自適應(yīng)步長，利用tent 混沌映射的波動性，提升了種群搜索的多樣性；利用當(dāng)前全局最優(yōu)位置為指引，以alpha 組隨機個體為擾動，解決alpha 組個體覓食行為過于盲目的問題，增強了算法的全局尋優(yōu)能力；優(yōu)化偵查組搜索模型，進(jìn)一步提升偵查組個體定向開發(fā)能力；提出讓保姆組承擔(dān)局部開發(fā)任務(wù)，增強了算法的局部搜索能力；提出一種新的種群內(nèi)個體任務(wù)分配方法，提升算法整體收斂性能與收斂速度。通過基準(zhǔn)測試函數(shù)數(shù)值實驗，驗證了本文算法的收斂性能與尋優(yōu)能力。將本文算法應(yīng)用于解決支持向量機參數(shù)調(diào)優(yōu)問題，驗證了本文算法具有實際問題求解能力與實用性。在后續(xù)研究中，考慮將本文算法與機器學(xué)習(xí)、深度學(xué)習(xí)等進(jìn)行結(jié)合應(yīng)用。

［參考文獻(xiàn)］

[1] ABDEL-BASSET M， CHANG V， MOHAMED R. HS?MA_WOA： A hybrid novel Slime mould algorithm with whale optimization algorithm for tackling the image segmenta?tion problem of chest X-ray images[J]. Applied soft comput?ing， 2020， 95： 106642.

[2] 呂鑫，慕曉冬，張鈞，等. 混沌麻雀搜索優(yōu)化算法[J]. 北京航空航天大學(xué)學(xué)報，2021，47（8）：1712-1720.

[3] DENG W， XU J， ZHAO H. An improved ant colony optimi?zation algorithm based on hybrid strategies for scheduling problem[J]. IEEE Access， 2019， 7： 20281-20292.

[4] 路雪剛，張雪花，張夢桃. 基于改進(jìn)鯨魚優(yōu)化算法的畜禽廢棄物運輸路徑優(yōu)化問題[J]. 科學(xué)技術(shù)與工程， 2022， 22（25）：11120-11129.

[5] HEKIMO?LU B. Optimal tuning of fractional order PID con?troller for DC motor speed control via chaotic atom search op?timization algorithm[J]. IEEE Access， 2019， 7： 38100-38114.

[6] QI Z， SHI Q， ZHANG H. Tuning of digital PID controllers using particle swarm optimization algorithm for a CAN-based DC motor subject to stochastic delays[J]. IEEE Transactions on Industrial Electronics， 2019， 67（7）： 5637-5646.

[7] DHIMAN G， KUMAR V. Seagull optimization algorithm：Theory and its applications for large-scale industrial engineer?ing problems[J]. Knowledge-based systems， 2019， 165：169-196.

[8] XUE J， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm[J]. Systems Science amp;Control Engineering， 2020， 8（1）： 22-34.

[9] DAS B， MUKHERJEE V， DAS D. Student psychology based optimization algorithm： A new population based optimi?zation algorithm for solving optimization problems[J]. Advanc?es in Engineering software， 2020， 146： 102804.

[10] HAYYOLALAM V， KAZEM A A P. Black widow optimi?zation algorithm： a novel meta-heuristic approach for solving engineering optimization problems[J]. Engineering Applica?tions of Artificial Intelligence， 2020， 87： 103249.

[11] ABUALIGAH L， DIABAT A， MIRJALILI S， et al. The arithmetic optimization algorithm[J]. Computer methods in applied mechanics and engineering， 2021， 376： 113609.

[12] ABUALIGAH L， YOUSRI D， ELAZIZ MABD， et al.Aquila optimizer： a novel meta-heuristic optimization algo?rithm[J]. Computers amp; Industrial Engineering， 2021， 157：107250.

[13] 張偉，王勇，張寧. 采用混合策略的改進(jìn)學(xué)生心理優(yōu)化算法[J]. 計算機應(yīng)用研究，2022，39（6）：1718-1724.

[14] 張喆，張義民，張凱，等. 基于拉格朗日插值的教與學(xué)動態(tài)組自適應(yīng)算法[J]. 計算機工程與設(shè)計， 2022， 43（10）： 2813-2821.

[15] 許樂，莫愿斌，盧彥越. 具有記憶功能的海鷗優(yōu)化算法求解方程組[J]. 計算機工程與設(shè)計，2021，42（12）：3428-3437.

[16] AGUSHAKA J O， EZUGWU A E， ABUALIGAH L.Dwarf mongoose optimization algorithm[J]. Computer meth?ods in applied mechanics and engineering， 2022， 391：114570.

[17] ELAZIZ M A， EWEES A A， AL-QANESS M A A， et al. Feature Selection for High Dimensional Datasets Based on Quantum-Based Dwarf Mongoose Optimization[J]. Math?ematics， 2022， 10（23）： 4565.

[18] AKINOLA O A， EZUGWU A E， OYELADE O N， et al.A hybrid binary dwarf mongoose optimization algorithm with simulated annealing for feature selection on high dimensional multi-class datasets[J]. Scientific Reports， 2022， 12（1）：1-22.

[19] 賈鶴鳴，陳麗珍，力尚龍，等. 透鏡成像反向?qū)W習(xí)的精英池侏儒貓鼬優(yōu)化算法[J/OL]. 計算機工程與應(yīng)用：1-12[2023-04-14].http：∥kns.cnki.net/kcms/detail/11.2127.TP.20221019.1554.014.html.

[20] AGUSHAKA J O， AKINOLA O， EZUGWU A E， et al.Advanced dwarf mongoose optimization for solving CEC 2011 and CEC 2017 enchmark problems[J]. Plos one，2022， 17（11）： e0275346.

[21] 趙世杰，張紅易，馬世林. 領(lǐng)導(dǎo)者引導(dǎo)與支配解進(jìn)化的多目標(biāo)矮貓鼬算法[J/OL]. 計算機科學(xué)與探索：1-22[2023-04-14].http：∥kns.cnki.net/kcms/detail/11.5602.TP.20221213.1733.002.html.

［責(zé)任編輯 蘇琴］