BAS：天牛须搜索智能优化算法

BAS：天牛须搜索智能优化算法

目录

一、BAS优化算法简介

二、原理及代码实现

1.仿生原理

2.算法

3.建模：（n维空间函数f最小化）

4.程序实现

5.算法特点

 

---

---

一、BAS优化算法简介

        天牛须搜索（Beetle Antennae Search-BAS），也叫甲壳虫须搜索，是2017年提出的一种高效的智能优化算法。类似于遗传算法、粒子群算法、模拟退火等智能优化算法，天牛须搜索不需要知道函数的具体形式，不要虚梯度信息，就可以实现高效寻优。相比于粒子群算法，天牛须搜索只只要一个个体，即一个天牛，运算量大大降低。

---

二、原理及代码实现

1.仿生原理

       天牛须搜索时受到天牛觅食原理启发而开发的算法。

       生物原理：当天牛觅食时，天牛并不知道食物在哪，而是根据食物气味的强弱来觅食。天牛有俩只长触角，如果左边触角收到的气味强度比右边大，那下一步天牛就往左飞，否则就往右飞。根据这一简单原理天牛就可以有效找到食物。

       天牛须搜索得来的启发：食物的气味就相当于一个函数，这个函数在三维空间每个点值都不同，天牛两个须可以采集自身附近两点的气味值，天牛的目的是找到全局气味值最大的点。仿照天牛的行为，我们就可以高效的进行函数寻优。

2.算法

天牛在三维空间运动，而天牛须搜索需要对任意维函数都有效才可以。因而，天牛须搜索是对天牛生物行为在任意维空间的推广。采用如下的简化模型假设描述天牛：

•        天牛左右两须位于质心两边。
•        天牛步长step与两须之间距离d0的比是个固定常数，即step=c*d0，其中c是常数。即，大天牛（两须距离长）走大步，小天牛走小步。
•        天牛飞到下一步后，头的朝向是随机的。

3.建模：（n维空间函数f最小化）

       第一步：对一个n维空间的优化问题，我们用xl表示左须坐标，xr表示右须坐标，x表示质心坐标，用d0表示两须之间的距离。根据假设3，天牛头朝向任意，因而从天牛右须指向左须的向量的朝向也是任意的，所以可以产生一个随机向量dir=rands(n,1)来表示它。对此归一化：dir=dir/norm(dir)；我们这样可以得到xl-xr=d0*dir；显然，xl，xr还可以表示成质心的表达式；xl=x+d0*dir/2；xr=x-d0*dir/2。

       第二步：对于待优化函数f，求取左右两须的值：felft=f(xl)；fright=f(xr)；判断两个值大小，

•        如果fleft<fright，为了探寻f的最小值，则天牛向着左须方向行进距离step，即x=x+step*normal(xl-xr)；
•        如果fleft>fright，为了探寻f的最小值，则天牛向着右须方向行进距离step，即x=x-step*normal(xl-xr)；
•        如以上两种情况可以采用符号函数sign统一写成：x=x-step*normal(xl-xr)*sign(fleft-fright)=x-step*dir*sign(fleft-fright)。

       (注：其中normal是归一化函数)

循环迭代：

       dir=rands(n,1)；dir=dir/norm(dir)；%须的方向

       xl=x+d0*dir/2；xr=x-d0*dir/2；%须的坐标

       felft=f(xl)；fright=f(xr)；%须的气味强度

       x=x-step*dir*sign(fleft-fright)。%下一步位置

关于步长:

      两种推荐：

1. 每步迭代中采用step=eta*step，其中eta在0，1之间靠近1，通常可取eta=0.95；
2. 引入新变量temp和最终分辨率step0，temp=eta*temp，step=temp+step0.

     关于初始步长：初始步长可以尽可能大，最好与自变量最大长度相当。

4.程序实现

function bas() [3]

clear all;close all

eta=0.95;%%%%%%%初始化%%%%%%%

c=5;%ratio between step and d0

step=1;%initial step set as thelargest input range

n=100;%iterations

k=20;%space dimension

x=rands(k,1);%intial value

xbest=x;fbest=f(xbest);

fbest_store=fbest;x_store=[0;x;fbest];

display(['0:','xbest=[',num2str(xbest'),'],fbest=',num2str(fbest)])

for i=1:n %%%%%%%迭代部分%%%%%%%

d0=step/c;dir=rands(k,1);dir=dir/(eps+norm(dir));

xleft=x+dir*d0;fleft=f(xleft);

xright=x-dir*d0;fright=f(xright);

x=x-step*dir*sign(fleft-fright);f=f(x);

if f<fbest

xbest=x;fbest=f;

end

x_store=cat(2,x_store,[i;x;f]);fbest_store=[fbest_store;fbest];

display([num2str(i),':xbest=[',num2str(xbest'),'],fbest=',num2str(fbest)])

step=step*eta;

end

figure(1),clf(1),%%%%%%%数据显示部分%%%%%%%

plot(x_store(1,:),x_store(end,:); 'r-o')hold on,

plot(x_store(1,:),fbest_store,'b-.');xlabel('iteration');ylabel('minimum value')

end

function y=f(x)%%%%%%%被优化的函数，这部分需要换用你自己的被优化函数%%%%%%%

y=norm(x);

end

5.算法特点

1. 运算量非常小，收敛非常快；
2. 具有全局寻优能力；
3. 代码非常短，容易实现。

摘自：https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=88093251_103_hao_pg&wd=%E5%A4%A9%E7%89%9B%E9%A1%BB%E4%BC%98%E5%8C%96&oq=bas%25E4%25BC%2598%25E5%258C%2596&rsv_pq=fb49d68800025b91&rsv_t=c52cm0ph7CdP6p%2FDrUZ7VX6Y2LFg7op2IFY5f2Ssj3d9Y30JodOrQEBjsLb6swbFqAc4Xbp2B5v%2FHg&rqlang=cn&rsv_dl=tb&rsv_enter=1&rsv_sug3=33&rsv_sug1=16&rsv_sug7=100&rsv_sug2=0&rsv_btype=t&inputT=17554&rsv_sug4=19568&rsv_jmp=slow用的url网络请求的数据。

---