【智能算法】龙格库塔优化算法（RUN）原理及实现

---

1.背景

2021年，I Ahmadianfar等人受到四阶龙格库塔数值方法启发，提出了龙格库塔优化算法（Runge Kutta optimizer, RUN）。

2.算法原理

2.1算法思想

RUN基于四阶龙格库塔法，以梯度作为搜索方向，并基于强化个体质量机制，建立种群的更新规则。

2.2算法过程

RUN基于四阶龙格库塔算法：
$$\begin{gathered} SM=\frac{1}{6}(x_{RK})\Delta x \\ {x}_{RK}=k_1+2\times k_2+2\times k_3+k_4\text{\hspace{1em}(1)} \end{gathered}$$

个体更新：

RUN 基于四阶龙格库塔法得到的SM进行更新:
$$X_{n+1}=\begin{array}{rl}& \\ & \{\begin{array}{ll}\left(X_p+r\times SF\times g\times X_p\right)+& \\ SF\times SM+\mu \times randn\times \left(X_m-X_p\right),rand<0.5& \\ \left(X_m+r\times SF\times g\times X_m\right)+& \\ SF\times SM+\mu \times randn\times \left(X_A-X_B\right),rand\ge 0.5& \end{array}\end{array}\text{\hspace{1em}(2)}$$
其中，方向因子r是一个值为 1 或-1 的整数；Xp为勘探领导者；Xm为开发领导者；SF为平衡因子；SM为领导搜索因子。

位置增量为：
$$\begin{array}{c}\Delta X=2\times rand\times |Stp|\\ Stp=rand\times \left(\left(X_b-rand\times X_{a\nu g}\right)+\gamma \right)\\ \gamma =rand\times \left(X_n-rand\times \left(ub-lb\right)\right)\times {\mathrm{e}}^{\left(-4\times \frac{i}{Maxi}\right)}\end{array}\text{\hspace{1em}(3)}$$
领导者为：
$$\begin{array}{rl}& X_p=\phi \times X_n+(1-\phi )\times X_A\\ & X_m=\phi \times X_{best}+(1-\phi )\times X_{lbest}\end{array}\text{\hspace{1em}(4)}$$
平衡因子SF为：
$$SF=2\cdot (0.5-rand)\times a\times {\mathrm{e}}^{\left(-b\times rand\times \frac{i}{Maxi}\right)}\text{\hspace{1em}(5)}$$

强化个体质量:

为了提高个体质量，防止算法陷入局部最优，RUN使用强化个体质量 (Enhanced solution quality, ESQ)对更新后的个体进行质量增强:
$${\mathrm{x}}_{new2}=\{\begin{array}{llc}{x}_{new1}+rw|(x_{ne{w}_1}-x_{avg})+randn|,rand<0.5,w<1& & \\ (x_{new1}-x_{avg})+rw|(u{x}_{new1}-x_{avg})+randn|,rand<0.5,w\ge 1& & \end{array}\text{\hspace{1em}(6)}$$
其中，参数为：
$$\begin{gathered} \mathrm{w}=\mathrm{rand}(0,2)\ast \exp (-ci/Ma{\mathrm{x}}_{\mathrm{i}}) \\ {\mathrm{x}}_{\mathrm{avg}}=\frac{{\mathrm{x}}_{r1}+{\mathrm{x}}_{r2}+{\mathrm{x}}_{r3}}{3} \\ {\mathrm{x}}_{new1}=\beta \ast {\mathrm{x}}_{\mathrm{avg}}+(1-\beta ){\mathrm{x}}_{\mathrm{best}}\text{\hspace{1em}(7)} \end{gathered}$$
为了增强解的质量，将生成另一个新解:
$${\mathrm{x}}_{\mathrm{new}3}=({\mathrm{x}}_{\mathrm{new}2}-\mathrm{rand}{\mathrm{x}}_{\mathrm{new}2})+\mathrm{SF}\left(\mathrm{rand}\ast {\mathrm{x}}_{\mathrm{RK}}+(\mathrm{v}{\mathrm{x}}_{\mathrm{b}}-{\mathrm{x}}_{\mathrm{new}2})\right)\text{\hspace{1em}(8)}$$

伪代码：

流程图：

3.结果展示

4.参考文献

[1] Ahmadianfar I, Heidari A A, Gandomi A H, et al. RUN beyond the metaphor: An efficient optimization algorithm based on Runge Kutta method[J]. Expert Systems with Applications, 2021, 181: 115079.