Page 113 - 2024年第55卷第7期

初始位 置 更 加 均 匀 且 有 利 于 搜 索 全 局 最 优 解。
其次，利 用 高 斯 随 机 游 走 策 略 跳 出 局 部 最 优，
并进一步加速收敛过程。其优化机制如下：
（ １）对于有多个解的问题，随机生成一个初
始种群：
ｘ ＝ ｌｂ＋ ｒ·（ｕｂ－ ｌｂ） （１３）
ｑ，ｈ
ｈ
ｈ
ｈ
式中：ｌｂ 为寻优下边界；ｕｂ 为寻优 上边 界；ｒ
ｈ
ｈ
为［０，１］间的随机数；ｑ ∈（１，Ｍ），ｈ ∈（１，Ｑ），
Ｍ为鱼鹰的数量，Ｑ为问题的维度。
图 １ ＴＳＭＳＥ计算过程示意图
（ ２）其初始种群适应度值为：
Ｆ ＝Ｆ（ｘ ） （１４）
（ｑ，ｈ） ｑ，ｈ
式中 Ｆ （ｑ，ｈ） 为在鱼鹰 ｘ 在维度 ｈ上的适应度值。
ｑ
（ ３）每只鱼鹰的捕食范围为：
ＳＦ ＝ ｛ｘ ｅ ∈（１，Ｍ） ∧Ｆ＜Ｆ｝ ∪｛ｘ ｝ （１５）
ｑ
ｑ
ｂｅｓｔ
ｅ
ｅ
式中：ＳＦ 为第 ｑ只鱼鹰捕食范围内的鱼；ｘ 为最佳鱼鹰的位置。
ｂｅｓｔ
ｑ
（ ４）利用 Ｃｉｒｃｌｅ映射方法将（１３）映射到新的位置，对于 ｘ，映射过程如下：
ｑ
０ ．５
ｃｉｒｃｌｅ
ｘ ＝ ｍｏｄ （ｘ＋ ０ ．２ － ( ) ｓｉｎ（２ π ｘ），１） （１６）
ｑ ｑ ２ π ｑ
ｃｉｒｃｌｅ
式中：ｘ 为当前位置；ｘ 为映射后的位置；ｒ为［０，１］间的随机数。
ｑ
ｑ
（５）将映射后的位置与最佳位置融合，进一步搜索整个空间：
ｍｉｘ
ｃｉｒｃｌｅ
ｘ ＝ （１ － α ）ｘ ＋ α ｘ （１７）
ｑ
ｑ
ｑ
ｍｉｘ
式中：ｘ 为融合后的位置；α为融合因子，一般取 ０．５。
ｑ
（６）鱼鹰识别鱼的位置并捕鱼：
Ｐ１
ｘ ＝ ｘ ＋ ｒ·（ＳＦ － Ｉ·ｘ ） （１８）
ｑ，ｈ
ｑ，ｈ
ｑ，ｈ
Ｐ１
Ｐ１
ｑ，ｈ
ｑ，ｈ
ｘ ＝ { ｘ ，Ｆ ＜Ｆ ｑ，ｈ （１９）
ｑ，ｈ
ｘ ，ｅｌｓｅ
ｑ，ｈ
Ｐ１
Ｐ１
式中：ｘ 为第 ｑ只鱼鹰在第 ｈ维 对 应 的 新 位 置； Ｆ 为 对 应 的 适 应 度 值； ＳＦ为 鱼 的 位 置；Ｉ取 １
ｑ，ｈ ｑ，ｈ
或 ２。
（ ７）利用优势种群位置的平均值判断是否陷入局部最优，当优势种群平均值连续两次迭代未发生
变化时，利用高斯随机游走策略生成新个体进而跳出局部最优：
ｘ（ τ ＋ １ ） ＝Ｇａｕｓｓｉａｎ （ｘ（ τ ），σ ） （２０）
τ
(
σ ＝ ｃｏｓ０ ．５ π × ( ) ２ × （ｘ（ τ ）） ) （２１）

τ ｍａｘ

为迭代总数；τ 为第 τ 次迭代；ｘ（ τ ）为 τ 次迭代中的随机个体；σ用于调整步长。
式中：τ ｍａｘ
（ ８）将鱼带到合适的位置：
（１ － α ）ｘ ｃｉｒｃｌｅ ＋ α ｘ
ｑ
ｑ
Ｐ２
ｘ ＝ ｘ ＋ （２２）
ｑ，ｈ ｑ，ｈ
τ
Ｐ２
Ｐ２
ｑ，ｈ
ｑ，ｈ
ｘ ＝ { ｘ ，Ｆ ＜Ｆ ｑ，ｈ （２３）
ｑ，ｈ
ｘ ，ｅｌｓｅ
ｑ，ｈ
Ｐ２
Ｐ２
式中：ｘ 为开发阶段的鱼鹰对应位置；Ｆ 为对应的适应度值。
ｑ，ｈ ｑ，ｈ
２．４ ＢｉＬＳＴＭ 算法 ＢｉＬＳＴＭ由 ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ）算法进一步发展而来。其主要思想是
将 ＬＳＴＭ网络结构沿着时间轴双向展 开，使得 网络能够 同 时 从前 向 和 后向 两个 方向 学习 时序信息。
ＢｉＬＳＴＭ在输入序列数据时，会同时考虑到序列中每一个时刻前后上下文信息。并利用双向 ＬＳＴＭ层处
— ８ ６ ５ —