智能优化算法之海豚回声定位(Dolphin echolocation,DE)

一种新的优化方法：海豚回声定位

海豚回声定位算法（Dolphin echolocation,DE）由伊朗人A. Kaveh和N. Farhoudi于2013年提出，是一种新型的元启发式优化算法，其模拟了海豚在捕食过程中利用回声定位的策略。

回声定位

海豚可以发出滴答滴答的声音，这些滴答声的频率远远高于交流信号的频率。当声音撞击到物体，声波的部分能量会反射回海豚身上，海豚接收到回声后会发出另一种滴答声，海豚会根据滴答声与回声之间的时间间隔评估出与物体的距离，还会根据头部两侧接收到的不同强度的信号进行方向判断，通过不断地发出滴答声和接受回声，海豚可以跟踪并锁定目标。当海豚接近感兴趣的目标时，还会提高滴答的速率。

尽管蝙蝠也是利用回声定位，但是它们却与海豚的声纳系统不同。蝙蝠声纳系统的范围较小，一般3到4米左右，而海豚能探测到的目标范围从几十米到一百多米不等。声波在空气中的传播速度大约是水传播速度的五分之一，因此蝙蝠在声纳传播过程中的信息传递速度要比海豚短得多。这些在环境和猎物方面的不同就需要不同类型的声纳系统，从而很难直接比较出孰好孰坏。

对于优化问题，海豚利用回声定位的原理捕食猎物的过程类似于寻找问题的最优解。初始时，海豚对整个空间进行搜索以寻找猎物，随着越来越接近目标，海豚就会缩小搜索范围，并增加滴答声以专注于某一位置。

该算法通过限制与目标距离成比例的探索来模拟回声定位，分为两个阶段：第一阶段，算法探索整个空间以进行去全局搜索，因而可以搜寻未曾探索过的区域，主要是通过随机探索位置来实现；第二阶段，算法将围绕前一阶段中获得的较优结果附近进行开发利用。

使用海豚回声定位算法时，用户可以根据预定义的曲线改变阶段1与阶段2产生解的比率。在用户定义的这条曲线上应该保证优化收敛，算法然后设置参数以便遵循这条曲线。与其他方法相比，该方法与最优解出现的可能性相关，换句话说，对于每个变量，在可行域内都有不同的可选值，在每个循环中，算法根据用户确定的收敛曲线，定义了选择到目前为止实现的最优值的可能性，利用这条曲线，使算法的收敛性得到控制，从而降低对参数的依赖性。

回声定位算法

在开始优化之前，需要对搜索空间按以下规则进行排序：

搜索空间排序：对于每个变量，对搜索空间的可选值按升序或降序排序，如果可选值包含多个特征，则按最重要的进行排序。对于变量$j$，所有的可选值构成了长度为$L{A}_j$的向量$A_j$，将这些向量作为列就得到了矩阵$Alternative{s}_{MA\times NV}$，其中$MV$为$max(L{A}_j{)}_{j=1:NV}$，$NV$为变量个数。

优化过程中收敛因子应根据曲线进行改变，曲线定义如下：

$$PP\left(Loo{p}_i\right)=P{P}_1+\left(1-P{P}_1\right)\frac{Loo{p}_i^{\text{Power }}-1}{(\text{LoopsNumber}{)}^{\text{Power}}-1}\text{\hspace{1em}(1)}$$

其中$PP$为预定义的概率，$P{P}_1$为第一次循环时的收敛因子，在第一次循环中随机选择解。$Loo{p}_i$为当前循环数，$Power$为曲线度。

循环数：算法达到收敛点的循环数，这个参数应该根据计算量由用户选择。

算法的流程图如下图所示，以下面的优化问题为例，说明海豚回声定位的主要步骤。

$$\min \left(h=\sum _{i=1}^N{x}_i^2\right),x_i\in Z,-20⩽x_i⩽20\text{\hspace{1em}(2)}$$
其中$N=4$。

在算法优化之前，首先根据等式(1)选择曲线，其中$Power=1$，循环数Loops number=8，以及$P{P}_{1}0.1$，则由

$$PP=0.1+0.9\left(\frac{{\text{Loop}}_i-1}{7}\right)=0.1+0.9\left({\text{Loop}}_i-1\right)\text{\hspace{1em}(3)}$$

1. 随机初始化$NL$个海豚位置。

这一步主要包括创建$L_{NV\times NV}$，其中$NL$为位置个数，$NV$为变量个数（每个位置的维度）。对于该实例，考虑$NL=30$，$NV=4$，每个维度取值均在[-20,20]之间，第$i$位置的解可能为$L_i=10,4,-7,18$。

2. 根据等式（1）（对于该例子就是等式（3））计算循环的$PP$。
3. 计算每个位置的适应度值。

在该例中，式（2）定义了目标函数，如对于位置$L_i$，$h=(-10{)}^2+4^2+(-7{)}^2+18^2=489$。在海豚回声定位算法中，适应度值用于计算概率，较优的适应度值应该具有更高的概率，因此对于对于最小化问题则适应度应该为目标值的相反数，即$Fitness=1/h$。为了避免除以0，通常使用$Fitness=1/(h+1)$，在该例中，$Fitness(L_i)=1/(489+1)=0.00204$。

4. 根据如下的海豚规则计算累积适应度值：

(a)

for $i$=1 to 可选值个数

 for $j$=1 to 变量个数

  找到Alternatives中第$j$列的位置$L(i,j)$，命名为$A$

  for $k$=$-R_e$ to $R_e$

   $A{F}_{(A+k)j}=\frac{1}{R_e}\ast \left(R_e-|k|\right)\text{ Fitness }(i)+A{F}_{(A+k)j}(4)$

  end

 end

end

其中$A{F}_{(A+k)j}$是为第$j$个变量选择的第$(A+k)$个可选值的累积适应度值（可选值的编号等于Alternatives矩阵的排序），$R_e$为有效半径，在该半径内A的邻域的累积适应度都会受到A的适应度值的影响，该半径建议不超过搜索空间的1/4。

对于靠近边缘的可选值（$A+k$无效，$A+k<0$或$A+k>L{A}_j$），$AF$将使用反射特征进行计算，这种情况下，如果可选值与边缘的距离小于$R_e$，那么在边缘上放置一面镜子时，在上述可选值的镜像位置上存在相同的可选值。

(b)为了在搜索空间中更均匀地分布分布这种可能性，对所有的序列均加上一个很小的数$AF=AF+\epsilon$，其中$\epsilon$应该按照适应度值定义的方式选择，最好小于适应度值所能取得的最小值。

©找到当前循环中的最优位置，并记为最优位置“The best location”，找出分配给最优位置中各个变量的可选值，设置它们的$AF$为0，即：

for $j=1$ to 变量个数

 for $i$=1 to 可选值个数

  if $i$=The best location($j$)

   $A{F}_{ij}=0$

  end

 end

end

对于上述优化问题，首先根据等式(2)计算累积适应度值，前面提到过，可选值应该按照升序进行排列，则可选矩阵为：
$$\text{ Alternatives }=\left[\begin{array}{cccc}-20& -20& -20& -20\\ -19& -19& -19& -19\\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ 19& 19& 19& 19\\ 20& 20& 20& 20\end{array}\right]\text{\hspace{1em}(5)}$$

对于采样位置$L_i$,考虑$R_e=10$，则等式(4)变为：

for $i=L_i$

 for $j$=1 to 4

  找到Alternatives中第$j$列的位置$L(i,j)$，命名为$A$

  for $k$=$-10$ to $10$

   $A{F}_{(A+k)j}=\frac{1}{10}\ast \left(10-|k|\right)\text{ Fitness }(i)+A{F}_{(A+k)j}(6)$

  end

 end

end

其中式(5)也可表示为：

for $j=1,2,3,4$

 $L(i,j)=-10,4,-7,18$,那么$A=11,25,14,39$，-10在可选值矩阵的第一列中排在第11位，以此类推就可以得到$A$。

 for $k$=-10 to 10

  $A{F}_{(11+k)1}=\frac{1}{10}\ast \left(10-|k|\right)\text{ Fitness }(i)+A{F}_{(11+k)1}(7)$

  $A{F}_{(25+k)2}=\frac{1}{10}\ast \left(10-|k|\right)\text{ Fitness }(i)+A{F}_{(25+k)2}$

  $A{F}_{(14+k)3}=\frac{1}{10}\ast \left(10-|k|\right)\text{ Fitness }(i)+A{F}_{(14+k)3}$

  $A{F}_{(39+k)4}=\frac{1}{10}\ast \left(10-|k|\right)\text{ Fitness }(i)+A{F}_{(39+k)4}$

 end

end

$ϵ=1/(4\ast 20^2)$，那么$AF=AF+0.000625$。

在式(7)的这些等式中，对于第2个变量$j=2$，在计算累积适应度时，应该将搜索空间分为两个区域：受影响区域(有效半径内)和不受影响区域。设定$R_e=10$，由于第2个变量选择的可选值为4，那么与4的距离大于10($x<6$或$x>10$)的区域不会受到影响。同时在受影响的区域内，由该样本位置产生的累积适应度线性变化，其最大值出现在x=4处，则有：

$AF=AF+0.000625$

对所有随机选择的解进行以上操作，就得到了第一次循环的最终累积适应度。

5. 对于变量$j_{(j=1toNV)}$，根据以下关系计算选择可选值$i_{(i=1toA{L}_j)}$的概率：
   $$P_{ij}=\frac{A{F}_{ij}}{{\sum }_{i=1}^{LAj}A{F}_{ij}}\text{\hspace{1em}(8)}$$

根据分配给每个可选值的概率，计算下一步的位置。

在该例中，对于变量$j_{(j=1to4)}$,计算可选值$i_{(i=1to40)}$的概率：

$$P_{ij}=\frac{A{F}_{ij}}{{\sum }_{k=1}^{40}A{F}_{kj}}\text{\hspace{1em}(9)}$$

6. 为最优位置的所有变量选择的所有可选值分配概率$PP$,根据下面的公式，把其余的概率分配给其他可选值：

for $j=1$ to 变量个数

 for $i=1$ to 可选值个数

  if $i=1$ The best location($j$)

   $P_{ij}=PP$ (10)

  else

   $P_{ij}=(1-PP)P_{ij}$ (11)

  end

 end

end

第一次循环的最优位置为$X1=-11,X2=3,X3=X4=4$，根据等式(3)，第一次循环的$PP=10\%$,即在最优位置上的所有变量的概率为$10\%$,而将剩余的$90\%$分配给其他可选值。
$$P_{ij}=(1-0.1)P_{ij}=0.9P_{ij}\text{\hspace{1em}(12)}$$