萤火虫算法
论文:”Firefly Algorithms for Multimodal Optimization” 作者:Xin-She Yang
萤火虫算法是一种基于自然界中萤火虫的求解算法。这种算法以萤火虫的生物特性为基础,模拟萤火虫在食物、繁殖等方面的行为,解决优化问题。在萤火虫算法中,萤火虫会根据其亮度和距离因素移动,以寻找最优解。通过多次迭代,萤火虫算法可以逐渐优化解决方案,找到全局最优解或局部最优解。与其他常用的优化算法相比,萤火虫算法具有更快的收敛速度和更高的精度。
亮度
首先是亮度,对于每个萤火虫个体来说,他看到别人的亮度取决于别人的亮度 I 0 I0 I0,介质的吸光性 γ \gamma γ,以及距离 r r r。而别人的亮度 I 0 I0 I0,在最大值问题里面和 f ( x ) f(x) f(x)正相关,在最小值问题里面负相关。
I ( r ) = I 0 e − γ r 2 I(r)=I_0 e^{-\gamma r^2} I(r)=I0e−γr2
由于计算这个看到别人的亮度,需要指数运算很耗时,所以可以优化成下面的样子,这样就不需要指数级运算了。
I ( r ) = I 0 1 + γ r 2 I(r)=\frac{I_0}{1+\gamma r^2} I(r)=1+γr2I0
在很近的距离的时候,这两个公式是等价的,我们可以在r = 0的时候泰勒展开看出,所以可以直接替换减少运算时间。
e − γ r 2 ≈ 1 − γ r 2 + 1 2 γ 2 r 4 + … , 1 1 + γ r 2 ≈ 1 − γ r 2 + γ 2 r 4 + … e^{-\gamma r^2} \approx 1-\gamma r^2+\frac{1}{2} \gamma^2 r^4+\ldots, \quad \frac{1}{1+\gamma r^2} \approx 1-\gamma r^2+\gamma^2 r^4+\ldots e−γr2≈1−γr2+21γ2r4+…,1+γr21≈1−γr2+γ2r4+…
吸引力
因为光强和吸引力成正比所以我们对于吸引力, β \beta β,我们也可以通过这个方式进行计算。
β ( r ) = β 0 e − γ r m , ( m ≥ 1 ) \beta(r)=\beta_0 e^{-\gamma r^m}, \quad(m \geq 1) β(r)=β0e−γrm,(m≥1)
距离rij
这里,论文给出了欧氏距离作为一个距离的例子,直接计算两个萤火虫i,j的坐标的距离,当然,处理别的问题的时候距离可以使用别的指标,例如调度问题里面的成本花费,或者是时间什么的。
r i j = ∥ x i − x j ∥ = ∑ k = 1 d ( x i , k − x j , k ) 2 r_{i j}=\left\|\mathbf{x}_i-\mathbf{x}_j\right\|=\sqrt{\sum_{k=1}^d\left(x_{i, k}-x_{j, k}\right)^2} rij=∥xi−xj∥=k=1∑d(xi,k−xj,k)2
移动公式
x i = x i + β 0 e − γ r i j 2 ( x j − x i ) + α ( rand − 1 2 ) \mathbf{x}_i=\mathbf{x}_i+\beta_0 e^{-\gamma r_{i j}^2}\left(\mathbf{x}_j-\mathbf{x}_i\right)+\alpha\left(\text { rand }-\frac{1}{2}\right) xi=xi+β0e−γrij2(xj−xi)+α( rand −21)
最后的算法主体流程
Firefly Algorithm
Objective function
f
(
x
)
,
x
=
(
x
1
,
…
,
x
d
)
T
f(\mathbf{x}), \quad \mathbf{x}=\left(x_1, \ldots, x_d\right)^T
f(x),x=(x1,…,xd)T
Generate initial population of fireflies
x
i
(
i
=
1
,
2
,
…
,
n
)
\mathbf{x}_i(i=1,2, \ldots, n)
xi(i=1,2,…,n)
Light inlensily
I
i
I_i
Ii al
x
i
\mathbf{x}_i
xi is determined by
∫
(
x
i
)
\int\left(\mathbf{x}_i\right)
∫(xi)
Define light absorption coefficient
γ
\gamma
γ
while (
t
<
t<
t< MaxGeneration)
for
i
=
1
:
n
i=1: n
i=1:n all
n
n
n fireflies
for
j
=
1
:
i
j=1: i
j=1:i all
n
n
n fireflies
if
(
I
j
>
I
i
)
\left(I_j>I_i\right)
(Ij>Ii), Move firefly
i
i
i towards
j
j
j in
d
d
d-dimension; end if Attractiveness varies with distance
r
r
r via
exp
[
−
γ
r
]
\exp [-\gamma r]
exp[−γr]
Evaluate new solulions and update light intensily end for
j
j
j
end for
i
i
i
Rank the fireflies and find the current best
end while
Postprocess results and visualization
JAVA代码实现
package Singal;
//Firefly Algorithms for Multimodal Optimization
import java.util.ArrayList;
import java.util.List;
public class FA {
Individual.FitnessCultor fitnessCultor = null;
int popSize = 50;//种群大小
double ub = 4;//按论文的图里面的上下限
double lb = 0;//下界
int dim = 2;//维度
int maxIterTime = 50;//最大迭代次数
Individual bestFly = null;//
public FA(Individual.FitnessCultor fitnessCultor){
this.fitnessCultor = fitnessCultor;
List<Individual> pop = init(popSize,dim,ub,lb);
int curIterTime = 0;
double beta0 = 1;// r = 0 时候的初始吸引力
double gama = 1;//介质吸收
double alpha = 0.2;//移动幅度
while(curIterTime<maxIterTime){
for (int i = 0; i < popSize; i++) {
for (int j = 0; j < i; j++) {//这里到i是因为上一轮迭代已经排序过了,后面没必要遍历了。O(n^2)->O(NLogN)
Individual a = pop.get(i);
Individual b = pop.get(j);
if(a.fitness>b.fitness){//因为Michalewicz是求解最小值问题,所以是越小越好,这里直接将光强=适应度值。
double distance = culDistance(a.getPosition(),b.getPosition());
double attraction = beta0*Math.exp(-gama*distance*distance);
Position ap = a.getPosition();
Position bp = a.getPosition();
for (int k = 0; k < ap.size(); k++) {
ap.set(k,ap.get(k)+attraction*(bp.get(k)-ap.get(k))+alpha*(Math.random()*0.5));
}
updateFitness(a);
}
}
}
pop.sort((a,b)->(new Double(a.getFitness()).compareTo(b.getFitness())));//小号优先
if(bestFly==null||bestFly.fitness>pop.get(0).fitness){
bestFly = pop.get(0).clone();
}
System.out.println(bestFly.getFitness());
curIterTime++;
}
}
/**
*
* @param popSize 种群大小
* @param dim 位置的维度
* @param ub 每个维度的上限,为了偷懒都一样好了
* @param lb 每个维度的下限,
* @return
*/
public List<Individual> init(int popSize,int dim,double ub,double lb){
List<Individual> pop = new ArrayList<>();
PositionFactory positionFactory = new PositionFactory(dim,ub,lb);
for (int i = 0; i < popSize; i++) {
Individual ind = new Individual(positionFactory.initRandomPosition());
updateFitness(ind);
pop.add(ind);
}
return pop;
}
public void updateFitness(Individual individual){
individual.fitness = fitnessCultor.culFitness(individual);
}
public static void main(String arg[]){
new FA(new Individual.FitnessCultor() {
@Override
public double culFitness(Individual i) {
return Michalewicz(i.getPosition());
}
});
}
//计算适应度值
public static double Michalewicz(Position position){
double res = 0;
double m = 10;
for (int i = 0; i < position.size(); i++) {
double x = position.get(i);
res+=-Math.sin(x)*Math.pow(Math.sin((i+1)*x*x/Math.PI),2*m);
}
return res;
}
//计算欧氏距离
public static double culDistance(Position a,Position b){
double res = 0;
for (int i = 0; i < a.size(); i++) {
double x1 = a.get(i);
double x2 = b.get(i);
res+=(x1-x2)*(x1-x2);
}
res = Math.sqrt(res);
return res;
}
}
conclusion
这篇论文最大的亮点就是将pso一般化,并且给出了优化了计算,将指数运算变成除法运算,同时这篇论文的距离也可以做很多的扩展性修改。