1.理論分析
1.SMA
- SMA中種群個體的更新：依賴于最佳候選解（Xbest）另外兩個隨機候選解（Xr1和Xr2），
- SMA演算法摘要
2.改程序序
- 當兩個隨機黏菌候選解遠離搜索空間時，隨機化可能需要更長的時間才能到達最佳候選解，
- 受其他演算法啟發加入領導者機制：
- GWO：利用3個迄今為止最好的候選解（α、β和γ）來更新狼的搜索位置，
- EO：利用4種迄今為止最好的候選者作為平衡候選物件來達到平衡狀態，
- 提出領導者黏菌演算法LSMA
3.LSMA
-
LSMA中種群個體的更新：將三個迄今為止最好的候選解作為領導者，與隨機的兩個黏菌（Xr1和Xr2）進行融合，
-
其中，全域最佳濃度命名為leader1（L1），第二和第三最佳濃度分別命名為leader2（L2）和leader3（L3），
-
這種模型使得演算法比以前更有效的在開發和探索之間權衡，從而獲取最優解，
-
LSMA中第t+1次迭代中第 i 個黏菌的新的更新規則建模為：
2.LSMA偽代碼
3.仿真實驗
-
為了更好的驗證 LSMA 演算法性能，選取了 4 種演算法進行對比：SMA、HSMAAOA、GWO、WOA（論文中包括HHO、EO，但由于筆者還沒有學習HHO、EO，故暫不加入實驗，加入另一種SMA的改進演算法HSMAAOA（HSMAAOA演算法摘要）），這些演算法被證實具有良好的尋優性能，為了更準確的驗證所提演算法與對比演算法的優劣性，設定種群規模 N=30，維度 D=30，最大迭代次數 500 次，各演算法獨立運行 30 次，
-
選取最優值、最差值、平均值與標準差作為評價指標，其中，平均值與標準差越小，則證明演算法的性能越佳，
-
以文獻中F1、F4(30維/單峰函式)、F11、F12(30維/多峰函式)、F21(4維/固定維多峰函式)為例，結果顯示如下：
-
-
總結：LSMA在收斂速度、收斂精度、魯棒性方面較對比演算法有較大提升，但其優化效果較HSMAAOA演算法較弱，
4.參考文獻
Naik M K，Panda Ｒ，Abraham A． Normalized square difference based multilevel thresholding technique for multispectral images using leader slime mould algorith［J/OL］． Journal of King Saud University- Computer and Information Sciences．［2020-11-5］． https: / /doi． org /10． 1016 /j． jksuci． 2020． 10． 30．html．
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/423488.html
標籤：AI
上一篇：智能車淺談——抗干擾技術軟體篇
下一篇：智慧停車場-車牌識別自動計費系統