探路者优化算法（PFA）

m0_49644580

已于 2023-12-23 23:20:33 修改

阅读量1.1k

点赞数 26

文章标签：算法 matlab 人工智能

于 2023-12-23 17:05:15 首次发布

本文链接：https://blog.csdn.net/m0_49644580/article/details/135168352

版权

一、背景知识

探路者算法(Pathfinder Algorithm, PFA)是 2019年由 Yapici 提出的一种新的元启发式算法。该算法受群体动物的狩猎行为启发，将种群中的个体分为探路者（领导者）和跟随者；算法的寻优过程模拟了种群寻找食物的探索过程，通过探路者、跟随者二种不同种群角色间的交流来实现优化，同时在进化过程中也加强了种群三代间优良信息的保留；PFA 具有容易理解、实现简单、优化性能较好等优点。

二、算法原理

在探路者算法中，种群中的个体分为探路者(pathfinder)和跟随者(follower members)，它们共同组成种群团队。探路者个体是团队的领导者，指引算法的全局搜索方向，而种群中的跟随者沿着探路者的方向进行移动。种群中个体的移动使其位置向量发生变化，其对应的工件排列也随之改变，即种群的更新。

（1）探路者位置更新

在种群的更新过程中，探路者是该种群运动方向的探索者，先于跟随者移动，其更新方式如式(1)所示：

$\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}+1}=\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}+2 \boldsymbol{r}_1 \cdot\left(\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}-\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}-1}\right)+\boldsymbol{A}$ （1）
$\boldsymbol{A}=\boldsymbol{u}_1 \cdot \exp \left\{\frac{-2 \mathrm{~K}}{\mathrm{~K}_{\max }}\right\}$ （2）

其中，K表示当前迭代次数，Kmax表示最大迭代次数， $\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}$ 表示当前探路者的位置， $\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}-1}$ 表示上一代探路者的位置， $\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}+1}$ 表示探路者更新后的位置；A是一组扰动向量，表示探路者移动的多向性和随机性，为探路者位置更新时提供随机移动；多向性由u1的取值决定，u1是一组[−1,1]范围内的随机向量，步长大小与算法迭代的次数有关，其随机性由−2K/Kmax决定。

（2）跟随者位置更新

探路者位置更新完成后，其他追随者根据探路者进行位置更新，更新方式如式(3)所示：

$\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}+1}=\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}}+\boldsymbol{R}_1 \cdot\left(\boldsymbol{x}_{\mathrm{j}}^{\mathrm{K}}-\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}}\right)+\boldsymbol{R}_2 \cdot\left(\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}-\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}}\right)+\boldsymbol{\varepsilon}, \mathrm{i} \geq 2$ （3）

$\boldsymbol{R}_1=\alpha \cdot \boldsymbol{r}_2, \boldsymbol{R}_2=\beta \cdot \boldsymbol{r}_3$ （4）

$\boldsymbol{\varepsilon}=\left(1-\frac{\mathrm{K}}{\mathrm{K}_{\max }}\right) \cdot \boldsymbol{u}_2 \cdot \mathrm{D}_{\mathrm{ij}}$ （5）

$\mathrm{D}_{\mathrm{ij}}=\left\|\mathrm{x}_{\mathrm{i}}-\mathrm{x}_{\mathrm{j}}\right\|$ （6）

其中，K表示当前迭代次数， $\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}}$ 表示第i个追随者的当前位置， $\boldsymbol{x}_{\mathrm{j}}^{\mathrm{K}}$ 表示第j个追随者的当前的位置， $\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}$ 表示当前探路者的位置， $\boldsymbol{x}_{\mathrm{i}}^{\mathrm{K}+1}$ 表示第i个追随者更新后的位置，跟随者的移动不仅与探路者 $\boldsymbol{x}_{\mathrm{p}}^{\mathrm{K}}$ 有关,而且受到其他跟随者 $\boldsymbol{x}_{\mathrm{j}}^{\mathrm{K}}$ 的影响；R1和R2是2组随机向量，分别由α 、r2和β 、r3确定，r2和r3是在[0,1]范围内均匀生成的随机向量，α 表示跟随者之间的相互作用系数，β 表示探路者对跟随者的吸引系数，在每次迭代过程中，α和β 均在区间[1,2]内服从均匀分布，并随机产生；ε是一组扰动向量，表示为所有追随者提供随机移动，u2是一组[−1,1]范围内的随机向量；Dij为第i个追随者和第j个追随者之间的距离。

三、算法流程

Step1.初始化算法参数，种群数量、最大迭代次数、设置位置边界范围与速度边界范围。

Step2.初始化种群，计算适应度，确定探索者和跟随者。

Step3.根据式（1）更新探索者位置

Step4.根据式（3）跟新跟随者位置

Step5.计算适应度值，并更新全局最优值。

Step6.判断是否达到结束条件，如果达到则输出最优值，否则重复步骤Step1-6

四、实验结果

五、MATLAB代码

🍞正在为您运送作品详情

m0_49644580

关注

26
点赞
踩
26

收藏

觉得还不错? 一键收藏
1
评论
探路者优化算法（PFA）

探路者算法(Pathfinder Algorithm, PFA)是 2019年由 Yapici 提出的一种新的元启发式算法。该算法受群体动物的狩猎行为启发，将种群中的个体分为探路者（领导者）和跟随者；算法的寻优过程模拟了种群寻找食物的探索过程，通过探路者、跟随者二种不同种群角色间的交流来实现优化，同时在进化过程中也加强了种群三代间优良信息的保留。
复制链接

扫一扫