量化软件下载：赫兹量化中种群优化算法---入侵杂草优化-CSDN博客

本文链接：https://blog.csdn.net/Herzqt123/article/details/132186652

1. 概述

入侵杂草元启发式算法是一种基于种群的优化算法，通过模拟杂草菌落的兼容性和随机性，来寻找优化函数的整体最优值。杂草优化算法是指受自然启发的种群算法，反映出杂草在有限时间内，为生存而斗争，于有限区域内的行为。杂草是顽强的草种，它们的侵略性生长对农作物构成严重威胁。它们非常有韧性，能够适应环境变化。考虑到它们的特性，我们有一个强大的优化算法。该算法试图模拟自然界中杂草群落的稳健性、适应性和随机性。

是什么让杂草如此特别？杂草往往是先行者，通过各种机制到处传播。因此，它们很少被划归到濒危物种的类别。以下是杂草在自然界中适应和生存的八种方式的简要描述： 1. 通用基因型。这些研究已揭示出杂草的进化变化是对气候变化的反应。

2. 生命周期策略，繁衍能力。杂草表现出广泛的生命周期策略。随着耕作管理系统的变化，以前在给定的种植系统中不是主要问题的杂草变得更有韧性。例如，减少耕作系统导致具有不同生命周期策略的多年生杂草的出现。此外，气候变化开始为杂草物种或基因型创造新的生态位，这些物种或基因型的生活史更能适应不断变化的条件。为了应对二氧化碳排放量的增加，杂草变得更高、更大、更强壮，这意味着它们可以产生更多的种子，并且由于空气动力学特性，它们可以将种子传播到距高大植物更远的地方。它们的繁衍能力是巨大的。例如，玉米播种蓟产生多达 19000 颗种子。

3. 迅速进化（发芽、朴实生长、竞争力、育种系统、种子繁衍、和传播特点）。种子传播能力的增强，随之而来的散播和朴平淡无奇的成长为生存提供了机会。杂草对土壤条件极端不挑剔，并且能够稳定地承受温度和湿度的急剧波动。

4. 表观遗传学。除了快速进化外，许多入侵物种还具有通过改变其基因表达来快速响应不断变化的环境因素的能力。在不断变化的环境中，植株需要灵活善变，从而承受光照、温度、水分可用性、和土壤盐分水平波动等压力。为了灵活起见，植株能够自行进行表观遗传修饰。

5. 杂交。杂交草种通常展现出杂交活力，也称为优势。与两个亲本物种相比，后代显示出改善的生物学功能。典型地，杂交活力表现出更积极的成长，并具有更高的传播到新领域、并在入侵领土内竞争的能力。

6. 对除草剂的抗性和耐受性。在过去的几十年里，大多数杂草对于除草剂的耐药性急剧增加。

7. 杂草伴随着人类活动共同进化。人类往往施用除草剂和除草等控制措施，而杂草已经形成了抗性机制。与栽培植株相比，它们在耕作过程中受到的外部损害较小。与之对比，这些损害通常甚至对无性繁殖杂草的繁殖有用（例如，通过部分根或根茎繁殖的杂草）。 8. 与“温室”栽培植株相比，日益频繁的气候变化为杂草提供了更可行的机会。杂草对农业造成很大危害。由于对生长条件的要求较低，它们在生长和发育方面超过了栽培植株。杂草吸收水分、养分和阳光，令农作物急剧降低产量，农田作物难以收获和脱粒，并降低产品质量。

2. 算法说明

入侵杂草算法的灵感来自自然界中杂草的生长过程。这种方法是由 Mehrabian 和 Lucas 在 2006 年引入的。很自然地，杂草生长越旺盛，这种强壮的生长对有用的植物构成了严重威胁。杂草的一个重要特征是其抗性，和在自然界中的高适应性，这是 IWO 优化算法的基础。该算法可作为高效优化方法的基础。 IWO 是一种连续随机数值算法，模仿杂草的定植行为。首先，初始种子种群随机分布在整个搜索空间当中。这些杂草最终会生长，并执行算法的进一个步骤。该算法由七个步骤组成，可以用伪代码表示为：

1. 随机播种 2. 计算 FF 3. 来自杂草的播种 4. 计算 FF 5. 将子杂草与亲本杂草合并 6. 所有杂草进行分类 7. 重复步骤 3。直到满足停止条件

框图表示算法在一次迭代中的操作。 IWO 从种子初始化过程开始操作。种子随机均匀地散布在搜索空间的“领域”上。之后，我们假设种子发芽，并已长为成年植株，这应该通过适应度函数进行评估。

下一步，了解每种植株的适应性，我们可以让杂草通过种子繁衍，其中种子的数量与适应性成正比。之后，我们将发芽的种子与亲本植株相结合，并对其进行分类。通常来讲，入侵性杂草算法可考虑易于编码、修改，并与第三方应用程序结合使用。

编辑切换为居中

添加图片注释，不超过 140 字（可选）

图例 1. IWO 算法框图

我们继续研究杂草算法的特性。它具有杂草的许多极端生存适应性。与遗传、蜜蜂和其它一些算法相对比，杂草菌落的一个显著特征是保证菌落的所有植株无一例外地得到播种。即使是适应性最差的植株，这样一来也可以留下后代，因为最差的植株趋向全局极端的概率也始终是非零的。

正如我已经说过的，每种杂草都会在从最小可能到最大可能的数量（算法的外部参数）的范围内产生种子。自然而然地，在这种情况下，当每棵植株至少留下一颗或多颗种子时，子植株将比亲本植株更多 — 这个特性在代码中得到了有趣的实现，将在下面讨论。图例 2 直观显示了该算法。亲本植株根据其适应性成比例地散布种子。

故此，1 号最好的植株播下了 6 颗种子，而 6 号的植株只播下了一粒种子（保底的种子）。发芽的种子产生新植株，随后与亲本一起分类。这是对生存的模仿。从整个排序组中，选择新的亲本植株，并在下一次迭代中重复生命周期。该算法具有的机制，能解决“人口过剩”，以及散播能力实施不彻底等问题。

例如，我们取种子数，其中一个算法参数是 50，亲本植株的数量是 5，最小种子数是 1，而最大种子数是 6。在本例中，5 * 6 = 30，小于 50。从这个例子中我们可以看到，播种的可能性并没有完全实施。在这种情况下，保留后代的权利将传递到链表中的下一代，直到所有亲本植株达到允许的最大后代数量。当到达链表末尾时，权利转到链表中的第一个，且允许留下超过限量的后代。