A Salp Swarm Algorithm Based on Stepped Tent Chaos and Simulated Annealing

ZHOU Peng; DONG Chao-yi; CHEN Xiao-yan; QI Yong-sheng; ZHAO Xiao-yi; WANG Qi-lai

doi:10.12263/DZXB.20200593

您当前的位置：

首页 >

文章列表页 >

A Salp Swarm Algorithm Based on Stepped Tent Chaos and Simulated Annealing

PAPERS | 更新时间：2025-12-08

- A Salp Swarm Algorithm Based on Stepped Tent Chaos and Simulated Annealing
- ACTA ELECTRONICA SINICA Vol. 49, Issue 9, Pages: 1724-1735(2021)
- 作者机构：
  
  1.内蒙古工业大学，内蒙古呼和浩特 010080
  2.内蒙古机电控制重点实验室（内蒙古工业大学），内蒙古呼和浩特 010051
- 作者简介：
- 基金信息：
- DOI：10.12263/DZXB.20200593
  CLC： TP301.6
- Received：18 June 2020，
  
  Revised：2021-01-23，
  
  Published：25 September 2021
- 稿件说明：
移动端阅览
周鹏,董朝轶,陈晓艳等.基于阶梯式Tent混沌和模拟退火的樽海鞘群算法[J].电子学报,2021,49(09):1724-1735.

ZHOU Peng,DONG Chao-yi,CHEN Xiao-yan,et al.A Salp Swarm Algorithm Based on Stepped Tent Chaos and Simulated Annealing[J].ACTA ELECTRONICA SINICA,2021,49(09):1724-1735.
周鹏,董朝轶,陈晓艳等.基于阶梯式Tent混沌和模拟退火的樽海鞘群算法[J].电子学报,2021,49(09):1724-1735. DOI： 10.12263/DZXB.20200593.

ZHOU Peng,DONG Chao-yi,CHEN Xiao-yan,et al.A Salp Swarm Algorithm Based on Stepped Tent Chaos and Simulated Annealing[J].ACTA ELECTRONICA SINICA,2021,49(09):1724-1735. DOI： 10.12263/DZXB.20200593.

摘要

针对樽海鞘群算法寻优迭代过程中存在容易陷入局部最优、收敛速度慢的问题，提出一种改进的樽海鞘群算法.引入Tent混沌映射初始化种群来提高算法迭代前期的收敛速度，通过惯性权值“阶梯式”调整策略来更好地兼顾算法全局探索能力和局部开发能力，通过模拟退火增强樽海鞘群算法迭代后期跳出局部最优解的能力，以基准测试函数和磁导航自动导引车模糊控制器参数寻优问题为例测试了算法性能.仿真结果表明，对于单峰和多峰测试函数，改进后的樽海鞘群算法具有更快的收敛速度和更强的全局寻优能力.相比较标准樽海鞘群算法的参数调节法，改进后的樽海鞘群算法所设计的磁导航自动导引车模糊控制器对磁偏差值控制性能更为优化，在控制器设计方面具有潜在的应用价值.

Abstract

To solve the problems of local optimization and slow convergence in the process of optimization and iteration

the paper proposed an improved optimization algorithm for a salp swarm

i.e

step‑by‑step tent chaos simulated annealing salp swarm algorithm (STSA‑SSA). Firstly

an initial population of Tent chaotic map was introduced to enhance the algorithm convergence at the early stage of iteration

and a step adjustment strategy of inertia weights was employed to improve the global and local exploring ability of the STSA‑SSA. Then

the ability of escaping local optimal solutions of the STSA‑SSA at the later stage of iterations was increased by a simulated annealing policy. Finally

the performance of the STSA‑SSA was tested in the processes of optimizing the parameters of benchmark functions and a fuzzy controller a magnetic navigation automated guided vehicle (AGV). The results show that for the single peak and multi peak test functions

the STSA‑SSA has faster convergence speed and stronger global optimization ability. Compared with SSA

the fuzzy controller of the magnetic navigation AGV designed by STSA‑SSA is more optimized. Therefore

the STSA‑SSA has a potential engineering application value in controller designs.

关键词

Keywords

references

MIRJALILI S ， GANDOMI A H ， MIRJALILI S Z ， et al . Salp swarm algorithm： A bio‑inspired optimizer for engineering design problems ［J］. Advances in Engineering Software ， 2017 ， 114 （ 6 ）： 163 - 191 .

褚鼎立，陈红，王旭光 . 基于自适应权重和模拟退火的鲸鱼优化算法［J］. 电子学报， 2019 ， 47 （ 05 ）： 992 - 999 .

CHU Ding‑li ， CHEN Hong ， WANG Xu‑guang . Whale optimization algorithm based on adaptive weight and simulated annealing ［J］. Acta Electronica Sinica ， 2019 ， 47 （ 05 ）： 992 - 999 . （in Chinese）

滕志军，吕金玲，郭力文，许媛媛 . 一种基于Tent映射的混合灰狼优化的改进算法［J］. 哈尔滨工业大学学报， 2018 ， 50 （ 11 ）： 40 - 49 .

TENG ZHI‑JUN ， LÜ JIN‑LING ， GUO LI‑WEN ， XU YUAN‑YUAN . An improved hybrid grey wolf optimization algorithm based on Tent mapping ［J］. Journal of Harbin Institute of Technology ， 2018 ， 50 （ 11 ）： 40 - 49 . （in Chinese）

TUBISHAT M ， IDRIS N ， SHUIB L ， et al . Improved salp swarm algorithm based on opposition based learning and novel local search algorithm for feature selection ［J］. Expert Systems with Applications ， 2019 ， 145 ： 113 - 122 .

张达敏，陈忠云，辛梓芸，张绘娟，闫威 . 基于疯狂自适应的樽海鞘群算法［J］. 控制与决策： 2020 ， 35 （ 09 ）： 1 - 9 .

ZHANG Da‑min ， CHEN Zhong‑yun ， XIN Zi‑yun ， Zhang Hui‑juan ， Yan Wei . Salp swarm algorithm based on craziness and adaptive ［J］. Control and Decision： 2020 ， 35 （ 09 ）： 1 - 9 . （in Chinese）

方群，徐青 . 基于改进粒子群算法的无人机三维航迹规划［J］. 西北工业大学学报， 2017 ， 35 （ 01 ）： 66 - 73 .

王依柔，张达敏，徐航，宋婷婷，樊英 . 基于自适应扰动的疯狂蝴蝶算法［J］. 计算机应用研究， 2020 ， 37 （ 11 ）： 1 - 6 .

WANG Yi‑rou ， ZHANG Da‑min ， XU Hang ， SONG Ting‑ting ， FAN Ying . Crazy butterfly algorithm based on adaptive perturbation ［J］. Application Research of Computers ， 2020 . 37 （ 11 ）： 1 - 6 . （in Chinese）

龙文，伍铁斌，唐明珠，徐明，蔡绍洪 . 基于透镜成像学习策略的灰狼优化算法［J］. 自动化学报， 2020 ， 46 （ 10 ）： 148 - 164 .

LONG Wen ， WU Tie‑bin ， TANG Ming‑zhu ， XU Ming ， Cai Shao‑hong . Grey wolf optimizer algorithm based on lens imaging learning strategy ［J］. Acta Automatica Sinica ， 2020 ， 46 （ 10 ）： 148 - 164 . （in Chinese）

匡芳君，徐蔚鸿，金忠 . 自适应Tent混沌搜索的人工蜂群算法［J］. 控制理论与应用， 2014 ， 31 （ 11 ）： 1502 - 1509 .

KUANG Fang‑jun ， XU Wei‑hong ， JIN Zhong . Artificial bee colony algorithm based on self‑adaptive Tent chaos search ［J］. Control Theory & Applications ， 2014 ， 31 （ 11 ）： 1502 - 1509 . （in Chinese）

张贾奎，崔利杰，郭庆，陈浩然 . 基于Tent混沌序列的灰狼优化算法［J］. 微电子学与计算机， 2018 ， 35 （ 06 ）： 11 - 16 .

ZHANG Jia‑kui ， CUI Li‑jie ， GUO Qing ， CHEN Hao‑ran . Grey wolf optimizer based on Tent chaotic sequence ［J］. Microelectronics & Computer ， 2018 ， 35 （ 06 ）： 11 - 16 . （in Chinese）

张振兴，杨任农，房育寰，赵克新 . 自适应Tent混沌搜索的蚁狮优化算法［J］. 哈尔滨工业大学学报， 2018 ， 50 （ 05 ）： 152 - 159 .

ZHANG Zhen‑xing ， YANG Ren‑nong ， FANG Yu‑huan ， ZHAO Ke‑xin . Ant lion optimizatopm algorithm based on self‑adaptive Tent chaos search ［J］. Journal of Harbin Institute of Technology ， 2018 ， 50 （ 05 ）： 152 - 159 . （in Chinese）

DUPANLOU I ， SCHNEIDER S ， EXCOFFIER L . A simulated annealing approach to define the genetic structure of populations ［J］. Molecular Ecology ， 2002 ， 11 （ 12 ）： 2571 - 2581 .

孔芝，李事成，赵杰 . 珊瑚礁算法的改进研究［J］. 东北大学学报（自然科学版）， 2020 ， 41 （ 02 ）： 163 - 169 .

KONG Zhi ， LI Shi‑cheng ， ZHAO Jie . Improved coral reef algorithm ［J］. Journal of Northeastern University （Natural Science）， 2020 ， 41 （ 02 ）： 163 - 169 . （in Chinese）

YANG X S . Firefly algorithm， stochastic test functions and design optimisation ［J］. Journal of Bio‑inspired Computation ， 2010 ， 2 （ 2 ）： 78 - 84 .

MIRJALILI S . The ant lion optimizer ［J］. Advances in Engineering Software ， 2015 ， 83 （ 5 ）： 80 - 98 .

KENNEDY J ， EBERHART R C . Particle swarm optimization ［A］. Proceedings of IEEE International Conference on Neural Networks ［C］. Perth， Australia ， 1995 . 1942 - 1948 .

MIRJALILI S . Moth‑flame optimization algorithm： A novel nature‑inspired heuristic paradigm ［J］. Knowledge‑ Based Systems ， 2015 ， 89 ： 228 - 249 .

MIRJALILI S . Dragonfly algorithm： A new meta‑heuristic optimization technique for solving single‑objective， discrete， and multi‑objective problems ［J］. Neural Computing and Applications ， 2016 ， 27 （ 4 ）： 1053 - 1073 .

MIRIALILI S ， HATAMLOU A . Multi‑verse optimizer： A nature‑inspired algorithm for global optimization ［J］. Neural Computing and Applications ， 2016 ， 27 （ 2 ）： 495 - 513 .

DINANA B B ， VICTOR G ， MARIO T G ， MARIO G B ， JORGE L R . An adaptive ARX model to estimate the RUL of aluminum plates based on its crack growth ［J］. Mechanical Systems and Signal Processing ， 2017 ， 82 ： 519 - 536 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Denoising and Disturbance-Rejecting Method Based on Wavelet Decomposition and Least Absolute Errors

An Orthogonal Searching Algorithm for Huber Estimation of Linear System

Build Kd-Tree for Virtual Scenes in a Fast and Optimal Way

Self-Organising Intuitionistic Fuzzy Neural Networks Based on UKF

Hybrid Artificial Fish Swarm Optimization Algorithm Based on Mutation Operator and Simulated Annealing

Related Author

WANG Shou-jue

FENG Hao

YU Shi-ming

DU Tao

WANG Li-xin

YANG Jie

LIU Gang

XU Xiao-yang

Related Institution

Institute of SemiconductorsChinese Academy of SciencesBeijing 100083China

Institute of Intelligent Information SystemZhejiang University of TechnologyHangzhouZhejiang 310014China

Institute of Semiconductors, Chinese Academy of Sciences

Institute of Intelligent Information System,Zhejiang University of Technology

The Second Artillery Engineering College

⁰