间歇泉启发算法：一种用于实数约束工程优化问题算法

---

1.摘要

本文介绍了一种新的优化方法——间歇泉启发算法（GEA），其灵感源自自然界中的间歇泉地质现象。为了深入理解优化过程，本研究通过对这一现象进行数学建模分析。GEA在多个实数参数基准测试（如CEC 2005、CEC 2014和CEC 2017）上进行了效率和精度验证，并在实际工程优化问题中得到应用。

2.算法原理

间歇泉的形成涉及地下水的运动、温度和压力的变化，以及通往地表的路径选择，这些自然过程与优化算法中的种群运动、适应度评估和选择机制相似。GEA通过模拟地下水的动态来描述优化过程，以及通过种群的突变来模拟地下水路径的融合和移动。此外，算法使用轮盘赌选择法来优化解的选择，增强算法的性能并避免陷入局部最优解。

选择种群中一个成员作为通道的概率与该成员的适应度值成正比：
p i = f ( X i ) ∑ j = 1 N c f ( X j ) ∀ i ϵ { 1 , 2 , … , N c } p_i=\frac{f(X_i)}{\sum_{j=1}^{\mathrm{Nc}}f(X_j)}\forall i\epsilon\{1,2,\dots,\mathrm{Nc}\} pi​=∑j=1Nc​f(Xj​)f(Xi​)​∀iϵ{1,2,…,Nc}
采用轮盘赌机制来选择通道，其中每个通道的选择概率基于其适应度函数值。定义邻居标准为距离相似性标准：
$$d(X_m,Y_l)=\frac{{\sum }_{j=1}^{\mathrm{D}}{x}_{m,j}{y}_{l,j}}{{\left[{\sum }_{j=1}^{\mathrm{D}}{x}_{m,j}^2{\sum }_{j=1}^{\mathrm{D}}{y}_{l,j}^2\right]}^{\frac{1}{2}}}$$
GEA模拟自然界的间歇泉现象，有效地指导个体向优化方向移动，位置更新为：
$$X_i^{new,1}=X_{n,i}+rand\times \left(X_{c,i}-X_i\right)+rand\times (X_{c,i}-X_{n,i})$$
压力对地球喷发有重大影响，表述为：
$$P_i=\sqrt{\frac{\text{Iter}}{\text{Iter}-1}}\sqrt{{\left(\frac{\text{f}({\text{X}}_i)-{\text{f}}_{\min }}{{\text{f}}_{\max }-{\text{f}}_{\min }}\right)}^{\frac{2}{\mathrm{her}}}-{\left(\frac{\text{f}({\text{X}}_i)-{\text{f}}_{\min }}{{\text{f}}_{\max }-{\text{f}}_{\min }}\right)}^{\frac{\mathrm{her}+1}{\mathrm{her}}}}$$
其中，第 i 个个体的压力引导它向特定的通道移动，这个通道是从候选通道位置中通过轮盘赌选择法确定的：
$$p_i^{new}=1-p_i$$
因此，个体位置更新为：
$$X_i^{new,2}=X_{c,i}^{new}+rand\times (P_i-rand)\times unifrand(X_{max}-X_{min})$$

伪代码

3.结果展示

4.参考文献

[1] Ghasemi M, Zare M, Zahedi A, et al. Geyser inspired algorithm: a new geological-inspired meta-heuristic for real-parameter and constrained engineering optimization[J]. Journal of Bionic Engineering, 2024, 21(1): 374-408.

5.代码获取