文章目录
摘要：针对基本麻雀搜索算法在迭代后期，种群多样性减小，容易陷入局部极值的问题，提出一种融合柯西变异和反向学习的改进麻雀算法（ISSA）。首先，采用一种映射折叠次数无限的 Sin 混沌初始化种群，为全局寻优奠定基础；其次，在发现者位置更新方式中引入上一代全局最优解，提高全局搜索的充分性，同时加入自适应权重，协调局部挖掘和全局探索的能力，并加快收敛速度；然后，融合柯西变异算子和反向学习策略，在最优解位置进行扰动变异，产生新解，增强算法跃出局部空间的能力；
基础麻雀算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/108830958
混沌经常被运用于优化搜索问题。其中 Tent模型和 Logistic 模型是最常用的混沌模型，但是两者皆为映射折叠次数有限的混沌模型。Sin 混沌模型是一种映射折叠次数无限的模型，研究证明，Sin 模型比 Logistic 模型具备更佳的混沌特性，因此本文采用 Sin 混沌对 SSA 算法进行种群初始化，Sin 混沌 1 维自映射表达式如下：
{
x
n
+
1
=
sin
(
2
/
x
n
)
n
=
0
,
1
,
…
,
N
−
1
≤
x
n
≤
1
x
n
≠
0
(7)
\left\{\begin{array}{cc} x_{n+1}=\sin \left(2 / x_{n}\right) & n=0,1, \ldots, N \\ -1 \leq x_{n} \leq 1 & x_{n} \neq 0 \end{array}\right. \tag{7}
{xn+1=sin(2/xn)−1≤xn≤1n=0,1,…,Nxn=0(7)
式（7）中为防止在[-1,1]产生不动点和零点，初始值不能设置为0。
发现者从迭代开始就向全局最优解靠近，导致搜索范围不够，容易跌入局部极值空间，造成搜索精度不足，本文在发现者位置更新公式中，引入上一代全局最优解，使得发现者位置既受上一代发现者位置的影响，同时也受上一代全局最优解的影响，由此可以有效防止算法陷入局部最优。此外，借鉴惯性权重的思想，在发现者位置更新斱式中继续引入动态权重因子
ω
\omega
ω，使其在迭代初期具有较大的值，能够更好地迚行全局探索，在迭代后期自适应地减小，从而更好地迚行局部搜索，同时提高收敛速度。权重系数
ω
\omega
ω 的计算公式和改迚后的发现者位置更新斱式如下：
ω
=
e
2
(
1
−
t
/
tee
r
max
)
−
e
−
2
(
1
−
t
/
iter
max
)
e
2
(
1
−
t
/
iter
r
max
)
+
e
−
2
(
1
−
t
/
iter
max
)
(8)
\omega=\frac{e^{2\left(1-t / \text { tee } r_{\max }\right)}-e^{-2\left(1-t / \text { iter }_{\max }\right)}}{e^{2\left(1-t / \text { iter } r_{\max }\right)}+e^{-2\left(1-t / \text { iter }_{\max }\right)}} \tag{8}
ω=e2(1−t/ iter rmax)+e−2(1−t/ iter max)e2(1−t/ tee rmax)−e−2(1−t/ iter max)(8)
X i , j t + 1 = { X i , j t + ω ( f j , g t − X i , j t ) ⋅ rand R 2 < S T X i , j t + Q R 2 ≥ S T (9) X_{i, j}^{t+1}=\left\{\begin{array}{cc} X_{i, j}^{t}+\omega\left(f_{j, g}^{t}-X_{i, j}^{t}\right) \cdot \text { rand } & R_{2}<S T \\ X_{i, j}^{t}+Q & R_{2} \geq S T \end{array}\right. \tag{9} Xi,jt+1={Xi,jt+ω(fj,gt−Xi,jt)⋅ rand Xi,jt+QR2<STR2≥ST(9)
式（9）中， f j , g t f_{j,g}^t fj,gt为上一代中第 j j j维的全局最优解。
X i , j t + 1 = { X b e s t t + β ( X i , j t − X b e s t t ) f i ≠ f g X b e s t t + β ( X w o r s t t − X b e s t t ) f i = f g (10) X_{i, j}^{t+1}=\left\{\begin{array}{ll} X_{b e s t}^{t}+\beta\left(X_{i, j}^{t}-X_{b e s t}^{t}\right) & f_{i} \neq f_{g} \\ X_{b e s t}^{t}+\beta\left(X_{w o r s t}^{t}-X_{b e s t}^{t}\right) & f_{i}=f_{g} \end{array}\right. \tag{10} Xi,jt+1={Xbestt+β(Xi,jt−Xbestt)Xbestt+β(Xworstt−Xbestt)fi=fgfi=fg(10)
改进后的公式表示若该麻雀是最优位置的麻雀，它会逃到最优位置和最差位置间的随机位置，否则，它会逃到自己和最优位置之间的随机位置。
反向学习是 Tizhoosh 于 2005 年提出的一种新斱法，其目的是以当前解为基础，通过反向学习机制寻到对应的反向解，然后经过评估比较保存更好的解。为让个体能够更好地寻到最优解，将反向学习策略融入到麻雀算法中，数学表征如下:
X
best
′
(
t
)
=
u
b
+
r
⊕
(
l
b
−
X
best
(
t
)
)
(11)
X_{\text {best }}^{\prime}(t)=u b+r \oplus\left(l b-X_{\text {best }}(t)\right) \tag{11}
Xbest ′(t)=ub+r⊕(lb−Xbest (t))(11)
X i , j t + 1 = X b e s t ′ ( t ) + b 1 ⊕ ( X b e s t ( t ) − X b e s t ′ ( t ) ) (12) X_{i, j}^{t+1}=X_{b e s t}^{\prime}(t)+b_{1} \oplus\left(X_{b e s t}(t)-X_{b e s t}^{\prime}(t)\right) \tag{12} Xi,jt+1=Xbest′(t)+b1⊕(Xbest(t)−Xbest′(t))(12)
其中
X
best
′
(
t
)
X_{\text {best }}^{\prime}(t)
Xbest ′(t)为第
t
t
t 代最优解的的反向解，
u
b
，
l
b
ub，lb
ub，lb 分别是上下界，
r
r
r 是服从（0,1）标准均匀分布的
1
∗
d
1*d
1∗d（d 为空间维数）的随机数矩阵，
b
1
b_1
b1 表示信息交换控制参数，公式如下：
b
1
=
(
iter
max
−
t
/
iter
r
max
)
t
(13)
b_{1}=\left(\text { iter }_{\text {max }}-t / \text { iter } r_{\text {max }}\right)^{t} \tag{13}
b1=( iter max −t/ iter rmax )t(13)
将柯西变异引入目标位置更新斱式中，发挥柯西算子的扰动能力，使算法的全局寻优性能得到提升。
X
i
,
j
t
+
1
=
X
b
e
s
t
(
t
)
+
cauchy
(
0
,
1
)
⊕
X
b
e
s
t
(
t
)
(15)
X_{i, j}^{t+1}=X_{b e s t}(t)+\text { cauchy }(0,1) \oplus X_{b e s t}(t) \tag{15}
Xi,jt+1=Xbest(t)+ cauchy (0,1)⊕Xbest(t)(15)
式（15）中， cauchy(0,1) 为标准柯西分布。柯西分布随机变量生成函数为
η
=
tan
[
(
ξ
−
0.5
)
π
]
\eta=\tan [(\xi-0.5) \pi]
η=tan[(ξ−0.5)π]。
为迚一步提升算法寻优性能，采取一种动态选择策略更新目标位置，将反向学习策略和柯西变异算子扰动策略在一定概率下交替执行，动态更新目标位置。反向学习策略中，通过反向学习机制得到反向解，扩大算法的搜索领域，柯西变异策略中，运用柯西变异算子在最优解位置迚行扰动变异操作得出新解，改善了算法跌入局部区域的缺陷。至于采取何种策略迚行目标位置更新，由选择概率 Ps决定，其计算公式如下：
P
s
=
−
exp
(
1
−
t
/
ite
r
max
)
20
+
θ
(16)
P_{s}=-\exp \left(1-t / \text { ite } r_{\max }\right)^{20}+\theta \tag{16}
Ps=−exp(1−t/ ite rmax)20+θ(16)
式（16）中 θ 为调整参数，其值可取 0.05。具体选择策略斱式如下：
如果 rand < P s ，选择式（11）-（13）反向学习策略迚行位置更新，否则选取式（15）柯西变异扰动策略迚行目标位置更新。
通过上述两种扰动策略虽然能增强算法跃出局部空间的能力，但是无法确定扰动变异之后得到的新位置要优于原位置的适应度值，所以在迚行扰动变异更新后，引入贪婪规则，通过比较新旧两个位置的适应度值，确定是否要更新位置。贪婪规则如式（17）所示，f (x)表示 x 的位置适应度值。
{
X
b
e
s
t
=
X
i
,
j
t
+
1
f
(
X
i
,
j
t
+
1
)
<
f
(
X
b
e
s
t
)
X
b
e
s
t
=
X
b
e
s
t
f
(
X
i
,
j
t
+
1
)
≥
f
(
X
b
e
s
t
)
(17)
\left\{\begin{array}{ll} X_{b e s t}=X_{i, j}^{t+1} & f\left(X_{i, j}^{t+1}\right)<f\left(X_{b e s t}\right) \\ X_{b e s t}=X_{b e s t} & f\left(X_{i, j}^{t+1}\right) \geq f\left(X_{b e s t}\right) \end{array}\right.\tag{17}
{Xbest=Xi,jt+1Xbest=Xbestf(Xi,jt+1)<f(Xbest)f(Xi,jt+1)≥f(Xbest)(17)
融合柯西变异和反向学习的改进麻雀算法步骤：
（1）初始化参数，如种群数量 N，最大迭代次数，发现者比例 PD，侦察者比例 SD，警戒阈值 R 2等，幵利用式（7）Sin 混沌映射初始化麻雀种群。
（2）计算各只麻雀的适应度值，找出当前最优适应度值和最差适应度值，以及相对应的位置。
（3）从适应度值较优的麻雀中，选取部分麻雀作为发现者，幵按照式（9）更新位置。
（4）余下麻雀作为跟随者，幵按照式（5）更新位置。
（5）从麻雀中随机选择部分麻雀作为警戒者，幵按照式（10）更新位置。
（6）根据概率 P s 选择柯西变异扰动策略和反向学习策略对当前最优解迚行扰动，产生新解。
（7）依据贪婪规则公式（17），确定是否迚行位置更新。
（8）判断是否达到结束条件，若是，则迚行下一步，否则跳转步骤（2）。
（9）程序结束，输出最优结果。
[1]毛清华,张强.融合柯西变异和反向学习的改进麻雀算法[J/OL].计算机科学与探索:1-12[2020-12-16].http://kns.cnki.net/kcms/detail/11.5602.tp.20201203.1601.006.html.
如何在buildr项目中使用Ruby？我在很多不同的项目中使用过Ruby、JRuby、Java和Clojure。我目前正在使用我的标准Ruby开发一个模拟应用程序，我想尝试使用Clojure后端(我确实喜欢功能代码)以及JRubygui和测试套件。我还可以看到在未来的不同项目中使用Scala作为后端。我想我要为我的项目尝试一下buildr(http://buildr.apache.org/)，但我注意到buildr似乎没有设置为在项目中使用JRuby代码本身!这看起来有点傻，因为该工具旨在统一通用的JVM语言并且是在ruby中构建的。除了将输出的jar包含在一个独特的、仅限ruby
在rails源中:https://github.com/rails/rails/blob/master/activesupport/lib/active_support/lazy_load_hooks.rb可以看到以下内容@load_hooks=Hash.new{|h,k|h[k]=[]}在IRB中，它只是初始化一个空哈希。和做有什么区别@load_hooks=Hash.new 最佳答案 查看rubydocumentationforHashnew→new_hashclicktotogglesourcenew(obj)→new_has
我的主要目标是能够完全理解我正在使用的库/gem。我尝试在Github上从头到尾阅读源代码，但这真的很难。我认为更有趣、更温和的踏脚石就是在使用时阅读每个库/gem方法的源代码。例如，我想知道RubyonRails中的redirect_to方法是如何工作的:如何查找redirect_to方法的源代码？我知道在pry中我可以执行类似show-methodmethod的操作，但我如何才能对Rails框架中的方法执行此操作？您对我如何更好地理解Gem及其API有什么建议吗？仅仅阅读源代码似乎真的很难，尤其是对于框架。谢谢! 最佳答案 Ru
我的假设是moduleAmoduleBendend和moduleA::Bend是一样的。我能够从thisblog找到解决方案,thisSOthread和andthisSOthread.为什么以及什么时候应该更喜欢紧凑语法A::B而不是另一个，因为它显然有一个缺点？我有一种直觉，它可能与性能有关，因为在更多命名空间中查找常量需要更多计算。但是我无法通过对普通类进行基准测试来验证这一点。 最佳答案 这两种写作方法经常被混淆。首先要说的是，据我所知，没有可衡量的性能差异。(在下面的书面示例中不断查找)最明显的区别，可能也是最著名的，是你的
几个月前，我读了一篇关于rubygem的博客文章，它可以通过阅读代码本身来确定编程语言。对于我的生活，我不记得博客或gem的名称。谷歌搜索“ruby编程语言猜测”及其变体也无济于事。有人碰巧知道相关gem的名称吗？ 最佳答案 是这个吗:http://github.com/chrislo/sourceclassifier/tree/master 关于ruby-寻找通过阅读代码确定编程语言的rubygem？，我们在StackOverflow上找到一个类似的问题：
我目前正在使用以下方法获取页面的源代码:Net::HTTP.get(URI.parse(page.url))我还想获取HTTP状态，而无需发出第二个请求。有没有办法用另一种方法做到这一点？我一直在查看文档，但似乎找不到我要找的东西。 最佳答案 在我看来，除非您需要一些真正的低级访问或控制，否则最好使用Ruby的内置Open::URI模块:require'open-uri'io=open('http://www.example.org/')#=>#body=io.read[0,50]#=>"["200","OK"]io.base_ur
前言作为一名程序员，自己的本质工作就是做程序开发，那么程序开发的时候最直接的体现就是代码，检验一个程序员技术水平的一个核心环节就是开发时候的代码能力。众所周知，程序开发的水平提升是一个循序渐进的过程，每一位程序员都是从“菜鸟”变成“大神”的，所以程序员在程序开发过程中的代码能力也是根据平时开发中的业务实践来积累和提升的。提高代码能力核心要素程序员要想提高自身代码能力，尤其是新晋程序员的代码能力有很大的提升空间的时候，需要针对性的去提高自己的代码能力。提高代码能力其实有几个比较关键的点，只要把握住这些方面，就能很好的、快速的提高自己的一部分代码能力。1、多去阅读开源项目，如有机会可以亲自参与开源
目录一.加解密算法数字签名对称加密DES(DataEncryptionStandard)3DES(TripleDES)AES(AdvancedEncryptionStandard)RSA加密法DSA(DigitalSignatureAlgorithm)ECC(EllipticCurvesCryptography)非对称加密签名与加密过程非对称加密的应用对称加密与非对称加密的结合二.数字证书图解一.加解密算法加密简单而言就是通过一种算法将明文信息转换成密文信息，信息的的接收方能够通过密钥对密文信息进行解密获得明文信息的过程。根据加解密的密钥是否相同，算法可以分为对称加密、非对称加密、对称加密和非
嗨~大家好，这里是可莉！今天给大家带来的是7个C语言的经典基础代码~那一起往下看下去把【程序一】打印100到200之间的素数#includeintmain(){ inti; for(i=100;i 【程序二】输出乘法口诀表#includeintmain(){inti;for(i=1;i 【程序三】判断1000年---2000年之间的闰年#includeintmain(){intyear;for(year=1000;year 【程序四】给定两个整形变量的值，将两个值的内容进行交换。这里提供两种方法来进行交换，第一种为创建临时变量来进行交换，第二种是不创建临时变量而直接进行交换。1.创建临时变量来
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
