星系群优化算法:受星系运动启发的一种新的全局优化元启发式算法【免费获取Matlab代码】

---

1.背景

2016年，V Muthiah-Nakarajan受星系运动启发，提出了星系群优化算法（Galactic Swarm Optimization, GSO）。

2.算法原理

2.1算法思想

GSO其灵感来源于星体、星系和星系团在重力影响下的运动。GSO采用多个探索和利用阶段的循环，以达到探索新解和利用现有解之间的最优权衡。在探索阶段，不同的子群体独立地探索搜索空间；在利用阶段，不同子群体的最佳解被视为一个超级群体，并朝向超级群体发现的最佳解移动。

参数意义

2.2算法过程

GSO通过将潜在解的种群划分为多个子群体（子星系），每个子群体独立探索搜索空间，来模拟星系内部星体的动态。每个子群体中的解都试图向该群体中识别的最优解移动。

位置和速度的更新（子群体内）

$$\begin{array}{rl}& {\mathbf{v}}_j^{(i)}\leftarrow {\omega }_1{\mathbf{v}}^{(i)}+c_1{r}_1\left({\mathbf{p}}_j^{(i)}-{\mathbf{x}}_j^{(i)}\right)+c_2{r}_2\left({\mathbf{g}}^{(i)}-{\mathbf{x}}_j^{(i)}\right)\\ & {\mathbf{x}}_j^{(i)}\leftarrow {\mathbf{x}}_j^{(i)}+{\mathbf{v}}_j^{(i)}\end{array}\text{\hspace{1em}(1)}$$

速度和位置的更新（超级群体内）

$$\begin{array}{rl}& {\mathbf{v}}^{(i)}\leftarrow {\omega }_2{\mathbf{v}}^{(i)}+c_3{r}_3({\mathbf{p}}^{(i)}-{\mathbf{y}}^{(i)})+c_4{r}_4(\mathbf{g}-{\mathbf{y}}^{(i)})\\ & {\mathbf{y}}^{(i)}\leftarrow {\mathbf{y}}^{(i)}+{\mathbf{v}}^{(i)}\end{array}\text{\hspace{1em}(2)}$$

伪代码

3.结果展示

4.参考文献

[1] Muthiah-Nakarajan V, Noel M M. Galactic swarm optimization: a new global optimization metaheuristic inspired by galactic motion[J]. Applied Soft Computing, 2016, 38: 771-787.

5.代码获取