该文末包括5个内容:用MathType编辑的公式、伪代码、visio的流程图,matlab代码,PDF论文,拿来直接用,可以帮助科研者省下超多时间。
受自然界水流形态的启发,该算法论文作者提出了一种新的全局优化算法——水流优化器(WFO)。发表在顶级SCI期刊IEEE Transactions on Cybernetics(影响因子:10.3)。
优化器通过层流和湍流两种算子模拟了水粒子从高地流向低地的水力现象。在极限理论的基础上严格证明了它的收敛性。研究了参数效应。在一个开放的测试套件上,将所提出的优化器的性能与相关的元启发式进行了比较。实验结果表明,该优化器具有较好的性能。该优化器还成功地应用于航天器轨道优化问题。
WFO算法捕获了自然界中水流的形状:层流和湍流,因此,WFO算法有两个同名的演化算子:1)层流和2)湍流。通过这两个算子,WFO算法模拟了水粒子从高地流向低地的水力现象。WFO算法模拟了水粒子的层流和湍流,包括一种有趣的湍流现象,即漩涡,这种现象经常在河流中观察到,甚至在浴缸的底孔附近。
本研究对元启发式设计的理论贡献,包括群体智能和进化计算,主要体现在以下三个方面。
首先,提出了一种新的集成搜索框架。
除了ABC算法外,几乎所有基于种群的元启发式算法都采用向量搜索模式。基于向量的多维搜索模式由于其在所有维度上的同时搜索特性,在求解可分离函数方面具有很高的效率。然而,在求解不可分离函数时,其效率往往低于一维搜索模式。与矢量搜索模式相比,一维搜索模式容易导致收敛速度慢,但可以很好地保持隐藏在较好的解中的结构。WFO算法通过积分充分发挥了它们的优点。更具体地说,在WFO算法中,层流算子采用矢量搜索模式,湍流算子采用一维搜索模式。
其次,提出了一种新的避免局部最优的方法。
现有的元启发式算法几乎都采用非并行的多向搜索模式,因此必须借助于更复杂的控制参数或特殊的操作进行探索,例如遗传算法和差分进化(DE)中的突变,人工蜂群和和谐搜索中的重新初始化。在WFO算法中,提出了一种独特的避免局部最优的方法。更具体地说,WFO算法中的层流算子强制每个代理在每次迭代过程中,沿同一方向并行搜索解空间。通过并行单向搜索方法,许多智能体直接向更好的指导解移动,而其他智能体在同一迭代中实际上是向后搜索。因此,每个搜索代理都有相同的机会跳过局部最优点。
第三,基于极限理论,提出了一种有效的算法收敛性证明方法。
元启发式的理论收敛仍然是一个悬而未决的棘手问题。大多数使用马尔可夫链来处理离散解空间,并分析在某些特定情况下的收敛性。在本文中,将算法的收敛性等价地转化为算法在各维上产生的解序列的极限。该方法有效地证明了WFO算法的收敛性和求解单峰函数的全局收敛性。
%%有需要的友友们关注 面包多 、 微信公众号:一个专业的算法研究员,获取!