【智能算法】正切搜索算法（TSA）原理及实现

---

1.背景

2022年，A Layeb受到正切函数启发，提出了正切搜索算法（Tangent Search Algorithm, TSA）。

2.算法原理

2.1算法思想

TSAT基于正切函数的数学模型将给定的解决方案移动到更好的解决方案，提出了切线飞线函数，其具有平衡开发与勘探搜索的优点。

在TSA中，所有的运动方程都由一个全局阶跃控制，其形式为$step\ast tan(\theta )$，类似于levy飞行函数，称为正切飞行。

无论是基于导数还是无导数的最优算法都是基于如下的下降方程:
$$X^{t+1}=X^t+\text{ step}\ast d\text{\hspace{1em}(1)}$$
其中step是移动的大小，d是移动的方向。
切线飞行乘以一个递减对数函数的行为。探索搜索在早期迭代中很大，在最后迭代中减少。TSA由三个主要部分组成:强化搜索、探索搜索和逃离局部最小。探索阶段的目的是很好地探索搜索空间并找到最有希望的候选对象。而强化分量则用于将搜索过程导向种群中当前的最佳解。最后，在随机搜索代理(解)的每次迭代中应用逃离局部最小值过程，以避免陷入局部最小值。

2.2算法过程

强化搜索

在强化搜索中，TSA首先进行随机局部行走，然后将得到的解中的一些变量替换为当前最优解中对应变量的值。对于大于4的问题，替换变量的比例等于20%，对于小于或等于4个变量的问题，替换变量的比例等于50%。
$$\begin{gathered} X_i^{t+1}=X_i^t+step\ast \tan (\theta )\ast \left(X_i^t-opt{S}_i^t\right) \\ {X}_i^{t+1}=opt{S}_i^t\text{ if variable i is selected}\text{\hspace{1em}(2)} \end{gathered}$$

探索搜索

TSA使用变步长与切线飞行的乘积来进行全局随机游动。正切函数有助于有效地探索搜索空间。h接近于/2会使正切值变大，得到的解会远离当前解，而h接近于0会使正切函数的值变小，得到的解会接近当前解。因此，探索搜索方程在全局随机漫步和局部随机漫步之间合并。将探索搜索方程应用于每个变量，其概率为1/D，其中D为问题的维度。
$$X_i^{t+1}=X_i^t+\mathrm{step}\ast \tan (\theta )\text{\hspace{1em}(3)}$$
强化搜索和探索搜索是根据给定的概率进行的，称为Pswitch。

逃离局部最小

为了避免局部最小停滞问题，TSA采用了一种机制通过使用如图所示的特定程序来处理这个问题，这个过程有两个部分以一定的概率执行。
$$\begin{array}{rl}& X=X+R.\ast (\mathrm{opt}S-\mathrm{rand}\ast (\mathrm{opt}S-X))\\ & X=X+\tan (\tan )\ast (\mathrm{ub}-\mathrm{lb})\end{array}\text{\hspace{1em}(4)}$$

与许多优化算法相比，TSA使用的参数较少，Pswitch, Pesc和step, h是强调开发和探索搜索的主要参数。TSA在早期采用较大的步长，随着搜索过程的进行，步长在迭代过程中呈非线性减小。切线飞行除了对步长有很大的影响外，还使其具有振荡性和周期性。为了适应挖掘和强化搜索过程，TSA采用了基于对数函数的自适应步长非线性递减格式。TSA使用两种步长变量，在强化搜索中使用第一个步长变量:
$$\begin{array}{c}\mathrm{step}1=10\ast \mathrm{sign}(\mathrm{rand}-0.5)\ast \mathrm{norm}(\mathrm{opt}S)\ast \log (1+10\ast \dim /t)\end{array}\text{\hspace{1em}(5)}$$
在探索搜索中，步长为:
$$\begin{array}{r}\mathrm{step}2=1\ast \mathrm{sign}(\mathrm{rand}-0.5)\ast \mathrm{norm}(\mathrm{opt}S-X)/\log (20+t)\end{array}\text{\hspace{1em}(6)}$$
norm()是欧几里得范数，X是当前解，optS是当前最佳解，用于引导搜索过程走向最佳解。

流程图

3.结果展示

使用测试框架，测试TSA性能 一键run.m

• 【智能算法】省时方便，智能算法统计指标——一键运行~

CEC2017-F20

4.参考文献

[1] Layeb A. Tangent search algorithm for solving optimization problems[J]. Neural Computing and Applications, 2022, 34(11): 8853-8884.

5.代码获取

资源清单