【智能算法】凌日搜索算法（TS）原理及实现

---

1.背景

2022年，M Mirrashid等人受到天体运动规律启发，提出了凌日搜索算法（Transit Search, TS）。

2.算法原理

2.1算法思想

TS模拟了天体运行状态，具有星系阶段、恒星阶段、凌日阶段、行星阶段、邻居阶段和开发阶段。

2.2算法过程

星系阶段：
首先随机生成一个d维向量Lr作为星系中心，然后在其周围选取ns*SN个d维候选向量作为候选星系：
$${\mathbf{L}}_R=\{\begin{array}{ll}{\mathbf{L}}_{Galaxy}+c_1{\mathbf{L}}_{Galaxy}-{\mathbf{L}}_r-Noise& \mathrm{if}z=1\\ {\mathbf{L}}_{Galaxy}+c_1{\mathbf{L}}_{Galaxy}+{\mathbf{L}}_r-Noise& \mathrm{if}z=2\end{array}\text{\hspace{1em}(1)}$$
对每个向量计算适应度函数。最后从中选择值最小的ns个作为初始集进行更新，从而获得ns个d维星体的群体:
$${\mathbf{L}}_S=\{\begin{array}{llc}{\mathbf{L}}_R+{\mathbf{c}}_3{\mathbf{L}}_R-{\mathbf{c}}_2{\mathbf{L}}_r-\mathbf{Noise}& \mathrm{if}z=1& \\ {\mathbf{L}}_R+{\mathbf{c}}_3{\mathbf{L}}_R+{\mathbf{c}}_2{\mathbf{L}}_r-\mathbf{Noise}& \mathrm{if}z=2& \end{array}\text{\hspace{1em}(2)}$$

搜索阶段：
Transit阶段：对星系阶段的初始集进行更新，计算光度值Li。如果新的光度值小于原始光度值，则确定为凌日发生：
$$L_i=\frac{R_i/n_s}{{\left(d_i\right)}^2}i=1,\dots ,ns\text{\hspace{1em}(3)}$$
di 是随机值代表观测点 LT ,在优化过程中保持不变，用于计算与第 i 个解的距离。
如果凌日发生，执行行星阶段：多次计算式(4)取平均值确定位置:
$$\begin{array}{rl}& {\mathbf{L}}_z=\left(c_4{\mathbf{L}}_T+R_L{\mathbf{L}}_S\right)/2i=1,\dots ,{\mathbf{n}}_s\\ & {\mathbf{L}}_P=\{\begin{array}{llc}{L}_z+c_5{\mathbf{L}}_r& \mathrm{if}z=1& \\ L_z-c_5{\mathbf{L}}_r& \mathrm{if}z=2& \\ L_z+{\mathbf{c}}_6{\mathbf{L}}_r& \mathrm{if}z=3& \end{array}\end{array}\text{\hspace{1em}(4)}$$
如果凌日没有发生，执行邻域阶段：则根据式(5)对周围进行邻域搜索，对𝐿𝑛取运行SN次的平均值作为最终位置:
$$\begin{array}{rl}& {\mathbf{L}}_z=\left(c_7{\mathbf{L}}_s+c_7{\mathbf{L}}_r\right)/2\\ & {\mathbf{L}}_P=\{\begin{array}{llc}{\mathbf{L}}_z-c_8{\mathbf{L}}_r& \mathrm{if}z=1& \\ {\mathbf{L}}_z+c_8{\mathbf{L}}_r& \mathrm{if}z=2& \\ {\mathbf{L}}_z+{\mathbf{c}}_9{\mathbf{L}}_r& \mathrm{if}z=3& \end{array}\end{array}\text{\hspace{1em}(5)}$$

探索阶段：
$${\mathbf{L}}_E=\{\begin{array}{llc}{c}_{11}{\mathbf{L}}_p+c_{10}{\left({\mathbf{c}}_{12}\right)}^P{\mathbf{L}}_r& \mathrm{if}{c}_k=1& \\ c_{11}{\mathbf{L}}_p-c_{10}{\left({\mathbf{c}}_{12}\right)}^P{\mathbf{L}}_r& \mathrm{if}{c}_k=2& \\ {\mathbf{L}}_p-c_{10}{\left({\mathbf{c}}_{12}\right)}^P{\mathbf{L}}_r& \mathrm{if}{c}_k=3& \\ {\mathbf{L}}_p+c_{10}{\left({\mathbf{c}}_{12}\right)}^P{\mathbf{L}}_r& \mathrm{if}{c}_k=4& \end{array}\text{\hspace{1em}(6)}$$
最后，在所有迭代最佳星体中选择适应度最优者作为最终星体。

伪代码：

3.结果展示

4.参考文献

[1] Mirrashid M, Naderpour H. Transit search: An optimization algorithm based on exoplanet exploration[J]. Results in Control and Optimization, 2022, 7: 100127.