天牛须算法BAS

天牛须算法BAS

一.算法介绍

天牛须搜索（Beetle Antennae Search-BAS），也叫甲壳虫须搜索，是一种高效的智能优化算法。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。

初始化

对一个n维空间的优化问题，用xl表示左须坐标，xr表示右须坐标，x表示质心坐标，d0表示两须之间的距离。

用一个随机向量dir=rands(n,1)，对此归一化：dir=dir/norm(dir)表示朝向,左须位置xl=x+d0*dir/2,右须位置xr=x-d0*dir/2。

比较左右两须的的损失率大小：loss(xl),loss(xr)，更新本体位置：x=x-step*dir*sign(loss(xl) - loss(xr))。

​ (注：其中normal是归一化函数)

循环迭代：

迭代判断既可以指定迭代次数也可指定精度：

dir=rands(n,1),dir=dir/norm(dir)更新本体的方向

xl=x+d0*dir/2,xr=x-d0*dir/2；更新左右须的坐标

x=x-step*dir*sign(loss(xl) - loss(xr)) 更新本体位置

step = step*eta步长优化

关于步长:

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(这让我想起了模拟退火的温度)
2. 引入新变量temp和最终分辨率step0，temp=eta*temp，step=temp+step0.
3. 初始步长可以尽可能大，最好与自变量最大长度相当。

二.代码

import numpy as np
from math import sqrt


def normalize(x):  # 单位化向量
    return x / sqrt(sum(e ** 2 for e in x))


def sign(a):  # 符号函数
    if a > 0:
        return 1
    elif a < 0:
        return -1
    else:
        return 0


# 应用不同问题时主要改这里的参数和函数
eta = 0.95  # 步长调整比例
step = 100  # 初始搜索步长
d0 = 5  # 触须间距
k = 2  # 变量维数
x = np.random.rand(k)  # 随机生成天牛质心坐标
xl = x  # 左触须坐标
xr = x  # 右触须坐标
ex = 1e-15  # 精度


def loss(input):  # 计算损失函数，越小越准确
    goal = [8.63, 5.11]
    return sqrt(pow(input[0] - goal[0], 2) + pow(input[1] - goal[1], 2))


###


while loss(x) > ex:  # 开始迭代
    dir = normalize(np.random.rand(k))
    xl = x + d0 * dir / 2
    xr = x - d0 * dir / 2
    x = x - step * dir * sign(loss(xl) - loss(xr))
    step *= eta
print(x)