智能优化算法:堆优化算法-附代码

智能优化算法:堆优化算法


摘要:堆优化算法(Heap-based optimizer,HBO)是 Askari 等人在 2020 年提出的一种新型智能优化算法。它利用堆结构模拟了公司的层级结构,采用了堆的概念形成个体之间的交互,并且构建了三种构造新解的数学模型。具有收敛速度快,精度高的特点。

1.算法原理

HBO 模拟公司层次结构建立的树状结构,目前它选择的是三元堆或者说是一个三叉树,具体详见图 1。企业等级制度的最终目标是以最好的方式完成与业务相关的任务,主要包括三个数学模型:下属与直接领导的交互、与同事的交互和个体的自我贡献。
请添加图片描述

图1.三元堆

图1中 X 1 X_1 X1所在的层次为最高层第一层,仅有一个个体(其适应度值最高,为最优个体),; X 2 ∼ X 4 X_2\sim X_4 X2X4所在的层次为第二层,3 个个体(它们的适应度值低于第一层个体的适应度值,以下类似); X 5 ∼ X 13 X_5\sim X_{13} X5X13 所在的层次为第三层,9 个个体;如此,第四层应该有 27 个体;所有这些个体组成一个群体,其种群大小为 40。其中,第一层至第三层在本文中称为高层,第四层为低层(其中个体的适应度值低于高层个体的适应度值)。从 X 2 X_2 X2开始所有的个体都是通过直接领导和同事的引导进行更新。以 X 8 X_8 X8 为例,由于堆独特的结构,与 X 8 X_8 X8 在同一层次的个体均为其同事,为 X 5   X 13 X_5 ~X_{13} X5 X13 ,且只有一个直接领导 X 3 X_3 X3 。然而对于最高领导 X 1 X_1 X1 ,它所在的层是最高层,没有直接领导,并且该层只有 X 1 X_1 X1 一个个体,也不存在同事。

与直接领导交互的数学模型可以描述为:
X i j ( t + 1 ) = B j + γ λ ∣ B j − X i j ( t ) ∣ (1) X_i^j(t+1)=B^j+\gamma \lambda |B^j-X_i^j(t)|\tag{1} Xij(t+1)=Bj+γλBjXij(t)(1)

γ = ∣ 2 − 4 ∗ m o d ( t , 25 ) / 25 ∣ (2) \gamma=|2-4*mod(t,25)/25| \tag{2} γ=24mod(t,25)/25(2)

λ = 2 r − 1 (3) \lambda = 2r-1 \tag{3} λ=2r1(3)

其中, t t t 是当前迭代次数, T T T 是最大迭代次数, j j j 是一个解向量的第 j j j 个分量, B B B 是当前个体的直接领导。 r r r 是均匀分布在[0,1]中的随机数。在迭代过程中, γ γ γ 是一个三角波,它的值在 1 的左右波动,从 2 到 0,或从 0 到 2。

在堆中,位于同一层的个体都是其同事,每个个体 X i X_i Xi根据其随机选择的同事$ S_r$ 更新其位置,其数学模型见式(4)。
X i j ( t + 1 ) = { S r j + γ λ ∣ S r j − X i j ( t ) ∣ , f ( S r ) < f ( X i ( t ) ) X i j + γ λ ∣ S r j − X i j ( t ) ∣ , e l s e (4) X_i^j(t+1)=\begin{cases} S_r^j+\gamma \lambda|S_r^j-X_i^j(t)|,f(S_r)<f(X_i(t))\\ X_i^j+\gamma \lambda|S_r^j-X_i^j(t)|,else \end{cases}\tag{4} Xij(t+1)={Srj+γλSrjXij(t),f(Sr)<f(Xi(t))Xij+γλSrjXij(t),else(4)
其中, f f f 是个体的目标函数。对于最小极值问题,若 f ( S r ) < f ( X i ) f (S_r)<f(X_i) f(Sr)<f(Xi),个体可以探索 S r S_r Sr 周围的区域;若 f ( S r ) ≥ f ( X i ) f (S_r )≥ f (X_i ) f(Sr)f(Xi),个体可以探索 X i X_i Xi 周围的区域,以保证搜索向好的方向发展。

在个体的自我贡献的模型中,个体在前一次迭代中的一些位置信息会一直保留到下一次迭代。即个体 X i X_i Xi 在下一次迭代中不会改变其第 j j j个分量的值。
X i j ( t + 1 ) = X i j ( t ) (5) X_i^j(t+1)=X_i^j(t)\tag{5} Xij(t+1)=Xij(t)(5)
在 HBO 中, p 1 p_1 p1 p 2 p_2 p2 p 3 p_3 p3决定了个体将会在这三个数学模型中选择哪个模型进行更新。选择概率的计算方法如下:
p 1 = 1 − t / T (6) p_1=1-t/T \tag{6} p1=1t/T(6)

p 2 = p 1 + ( 1 − p 1 ) / 2 (7) p_2=p_1+(1-p_1)/2 \tag{7} p2=p1+(1p1)/2(7)

HBO 通过 p 1 p_1 p1 选择自我贡献模型更新个体,通过 p 2 p_2 p2 选择与直接领导交互的数学模型更新个体,通过 p 3 p_3 p3 选择与同事交互的数学模型更新个体,其中 p 3 = 1 p_3 =1 p3=1

算法 1: 堆优化算法
Step1: 设置参数并随机初始化种群
Step2: 评估种群中个体的适应度值,获取全局最优解
Step3: 构建堆
Step4: for t=1 to T do
Step5: for i= N to 2 do
Step6: for j=1 to D do
Step7: p=rand
Step8: if p≤p 1
Step9: 通过公式(5)更新个体位置
Step10: else if p > p 1 & p ≤ p 2
Step11: 通过公式(1)更新个体位置
Step12: else
Step13: if p > p 2 & p ≤ p 3
Step14: 通过公式(4)更新个体位置
Step15: end if
Step16: end if

Step17: end for
Step18: 边界控制,计算个体的适应度值
Step19: 贪心选择更新种群
Step20: 更新堆,更新全局最优解
Step21: end for
Step22: end for
Step23: 输出全局最优解

2.算法结果

请添加图片描述

3.参考文献

[1]Qamar Askari,Mehreen Saeed,Irfan Younas. Heap-based optimizer inspired by corporate rank hierarchy for global optimization[J]. Expert Systems With Applications,2020,161:

[1]张新明,温少晨,刘尚旺.差分扰动的堆优化算法[J/OL].计算机应用:1-9[2021-12-11].http://kns.cnki.net/kcms/detail/51.1307.TP.20211014.1631.021.html.

4.Matlab代码

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

智能算法研学社(Jack旭)

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值