【智能算法】树种优化算法（TSA）原理及实现

---

1.背景

2015年，Kiran受到树通过种子进行繁衍自然行为启发，提出了树种优化算法(Tree Seed Algorithm，TSA)。

2.算法原理

2.1算法思想

树种优化算法基于种子繁衍，算法中需要设定种子的数量范围，处于最优位置的树自然资源最好，因此种群更倾向与靠近最优位置。

2.2算法过程

群体位置初始化:
$$T=L+rand\ast (H-L)$$
其中，$T,H,L$分别代表树的位置，搜索边界。
种子繁衍：
首先，在随机生成的树种群中，寻找位置最好的树（根据适应度函数度量）：
$$[Best,BestIdx]=min(fitness(T))$$
种子生成位置：
$$S_i=\{\begin{array}{l}{T}_i+{\alpha }_i\ast (T_i-T_r),rand<ST\\ T_i+{\alpha }_i\ast (Best-T_r),otherwise\end{array}$$
其中，$ST$代表搜索阈值，控制是否进行全局搜索还是局部搜索。当$rand<ST$时，全局搜索；当$rand\ge ST$时，在最优位置产生新种子。

伪代码

3.代码实现

% 树种优化算法
function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = TSA(pop, dim, ub, lb, fobj, maxIter)
%input
%pop 种群数量
%dim 问题维数
%ub 变量上边界
%lb 变量下边界
%fobj 适应度函数
%maxIter 最大迭代次数
%output
%Best_pos 最优位置
%Best_fitness 最优适应度值
%Iter_curve 每代最优适应度值
%History_pos 每代种群位置
%History_best 每代最优树种位置
%% 树种参数
low = ceil(0.1 * pop);
high = ceil(0.25 * pop);
ST = 0.1; %概率阈值
%% 初始化种群
trees = zeros(pop, dim);
for i = 1:pop
    for j = 1:dim
        trees(i,j) = (ub(j) - lb(j)) * rand() + lb(j);
    end
end
%% 计算适应度值
fitness = zeros(1,pop);
for i = 1:pop
    fitness(i) = fobj(trees(i,:));
end
%% 记录全局最优解
[SortFitness, indexSort] = sort(fitness);
gBestFitness = SortFitness(1);
gBest = trees(indexSort(1),:);
%% 迭代
for t = 1:maxIter
    for i = 1:pop
        seedNum = fix(low + (high - low) * rand) + 1;
        %在种子数量范围内，随机生成产生种子的数量
        seeds = zeros(seedNum, dim);
        obj_seeds = zeros(1, seedNum);
        %寻找最优树
        [minimum, min_indis] = min(fitness);
        bestParams = trees(min_indis, :);
        %树产生种子
        for j = 1:seedNum
            komsu = fix(rand * pop) + 1; %随机选择一颗树
            while(i == komsu) %保证komsu不等于i
                komsu = fix(rand * pop) + 1;
            end
            seeds(j,:) = trees(j,:);
            for d = 1:dim
                if rand < ST
                    seeds(j,d) = trees(i,d) + (bestParams(d) - trees(komsu,d)) * (rand - 0.5) * 2;
                else
                    seeds(j,d) = trees(i,d) + (trees(i,d) - trees(komsu,d)) * (rand - 0.5) * 2;
                end
            end
            %边界检查
            for k = 1:dim
                if seeds(j, k) > ub(k)
                    seeds(j, k) = ub(k);
                end
                if seeds(j, k) < lb(k)
                    seeds(j, k) = lb(k);
                end
            end
            obj_seeds(j) = fobj(seeds(j,:));
        end
        %寻找全局最优树
        [mintohum, mintohum_indis] = min(obj_seeds);
        if(mintohum < fitness(i))
            trees(i,:) = seeds(mintohum_indis,:);
            fitness(i) = mintohum;
        end
    end
    %寻找最优树
    [min_tree, min_tree_index] = min(fitness);
    if(min_tree < gBestFitness)
        gBestFitness = min_tree;
        gBest = trees(min_tree_index,:);
    end
    History_pos{t} = trees;
    History_best{t} = gBest;
    Iter_curve(t) = gBestFitness;
end
Best_pos = gBest;
Best_fitness = gBestFitness;
end

优化问题：
以CEC2005测试函数为例

clear,clc,close all
x = -32:0.5:32;
y = x;
L = length(x);
for i = 1:L
    for j = 1:L
        f(i,j) = fun([x(i) y(j)]);
    end
end
surfc(x, y, f, 'LineStyle', 'none', 'FaceAlpha',0.5);

% 设定树种参数
pop = 50;
dim = 2;
ub = [32,32];
lb = [-32, -32];
maxIter = 100;
fobj = @(x) fun(x);

% 求解
[Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = TSA(pop, dim, ub, lb, fobj, maxIter);