智能优化算法：向量加权平均算法-附代码

智能优化算法：向量加权平均算法

摘要：向量加权平均算法（Weighted mean of vectors algorithm, INFO），是于2022年提出的一种新型智能优化算法。该算法通过向量的不同加权平均规则，来达到寻优目的。具有寻优能力强，收敛速度快等特点。

1.算法原理

1.1初始化

与其他优化算法一样，种群个体在搜索空间内随机初始化。

1.2更新规则阶段

INFO使用基于均值的规则(MeanRule)更新向量的位置，这是从一组随机向量的加权均值中提取的。此外，为了提高全局搜索能力，在更新规则算子中加入了收敛加速部分(CA)。更新规则的主要公式定义为：
$$\begin{array}{l}z{1}_l^g=\{\begin{array}{ll}{x}_l^g+\sigma \times \text{ MeanRules }+\text{ randn }\times \frac{x_{bs}-x_{a1}^g}{f\left(x_{bs}\right)-f\left(x_{a1}^g\right)+1},& \text{ rand }<0.5\\ x_{bs}+\sigma \times \text{ MeanRules }+\mathrm{randn}\times \frac{x_{a2}^g-x_{a3}^g}{f\left(x_{a2}^g\right)-f\left(x_{a3}^g\right)+1},& \text{ rand }\ge 0.5\end{array}\\ z{2}_l^g=\{\begin{array}{ll}{x}_{bs}+\sigma \times \text{ MeanRule }+\mathrm{randn}\times \frac{x_{a1}^g-x_b^g}{f\left(x_{a1}^g\right)-f\left(x_{a2}^g\right)+1},& \text{ rand }<0.5\\ x_{bt}+\sigma \times \text{ MeanRule }+\mathrm{randn}\times \frac{x_{a1}^g-x_{a2}^g}{f\left(x_{a1}^g\right)-f\left(x_{a2}^g\right)+1},& \text{ rand }\ge 0.5\end{array}\end{array}\text{\hspace{1em}(1)}$$
其中，$z{1}_l^g$和$z{2}_l^g$为第$g$次迭代的新位置向量；$\sigma$为向量缩放率，通过式(2)计算所得；$a1\ne a2\ne a3\ne l$是从 $[1,NP]$中随机选择的不同整数；$randn$是一个标准正态分布随机值。应注意的是，在式(2)中，$\alpha$可以根据式(2.1)中定义的指数函数进行更新。
$$\sigma =2\alpha \times rand-\alpha \text{\hspace{1em}(2)}$$

$$\alpha =2\times \text{exp}(-4\frac{g}{Maxg})\text{\hspace{1em}(2.1)}$$

$MeanRule$定义如下：
$$\text{ MeanRule }=r\times WM{1}_l^g+(1-r)\times WM{2}_l^g,l=1,2,\cdots ,NP\text{\hspace{1em}(3)}$$
其中，$r$是 [0,0.5]之间的随机数；$WM{1}_l^g$和$WM{2}_l^g$定义如下：
$$WM{1}_l^g=\delta \times \frac{w_1\left(x_{a1}-x_{a2}\right)+w_2\left(x_{a1}-x_{a3}\right)+w_3\left(x_{a2}-x_{a3}\right)}{w_1+w_2+w_3+\epsilon }+\epsilon \times \mathrm{rand},l=1,2,\cdots ,NP\text{\hspace{1em}(3.1)}$$
其中：
$$w_1=\cos \left(\left(f\left(x_{a1}\right)-f\left(x_{a2}\right)\right)+\pi \right)\times \exp \left(-\frac{f\left(x_{a1}\right)-f\left(x_{a2}\right)}{\omega }\right)\text{\hspace{1em}(3.2)}$$

$$w_2=\cos \left(\left(f\left(x_{a1}\right)-f\left(x_{a3}\right)\right)+\pi \right)\times \exp \left(-\frac{f\left(x_{a1}\right)-f\left(x_{a3}\right)}{\omega }\right)\text{\hspace{1em}(3.3)}$$

$$w_3=\cos \left(\left(f\left(x_{a2}\right)-f\left(x_{a3}\right)\right)+\pi \right)\times \exp \left(-\frac{f\left(x_{a2}\right)-f\left(x_{a3}\right)}{\omega }\right)\text{\hspace{1em}(3.4)}$$

$$\omega =\max \left(f\left(x_{a1}\right),f\left(x_{a2}\right),f\left(x_{a3}\right)\right)\text{\hspace{1em}(3.5)}$$

$$WM{2}_l^g=\delta \times \frac{w_1\left(x_{bs}-x_{bt}\right)+w_2\left(x_{bs}-x_{ws}\right)+w_3\left(x_{bt}-x_{ws}\right)}{w_1+w_2+w_3+\epsilon }+\epsilon \times \mathrm{rand},l=1,2,\cdots ,NP\text{\hspace{1em}(3.6)}$$

其中：
$$w_1=cos((f(x_{bs})-f(x_{bt}))+\pi )\times \text{exp}(-\frac{f(x_{bs})-f(x_{bt})}{w})\text{\hspace{1em}(3.7)}$$

$$w_2=cos((f(x_{bs})-f(x_{ws}))+\pi )\times \text{exp}(-\frac{f(x_{bs})-f(x_{ws})}{w})\text{\hspace{1em}(3.8)}$$

$$w_3=cos((f(x_{bt})-f(x_{ws}))+\pi )\times \text{exp}(-\frac{f(x_{bt})-f(x_{ws})}{w})\text{\hspace{1em}(3.9)}$$

$$w=f(x_{ws})\text{\hspace{1em}(3.10)}$$

$$\delta =2\beta \times rand-\beta \text{\hspace{1em}(3.11)}$$

$$\beta =\alpha =2\times \text{exp}(-4\frac{g}{Maxg})\text{\hspace{1em}(3.12)}$$

其中，$w_1,w_2,w_3$是三个加权函数，用于计算向量的加权平均值，有利于算法在解空间中全局搜索；$x_{bs},x_{bt},x_{ws}$ 分别是第$g$代种群中最优、次优和最差的解向量。事实上，这些解向量是在每次迭代时对种群向量进行排序后确定的。

1.3 向量合并阶段

根据式(5)，INFO将前一阶段中计算的两个向量$(z{1}_l^g,z{2}_l^g)$与条件$rand<0.5$的向量$(u_l^g)$相结合，生成新向量。事实上，该算子用于提升局部搜索能力，以提供一个新的更好的向量。
$$u_l^g=\{\begin{array}{l}\{\begin{array}{l}z{1}_l^g+\mu |z{1}_l^g-z{2}_l^g|,rand1<0.5\&\&rand2<0.5\\ z{2}_l^g+\mu |z{1}_l^g-z{2}_l^g|,rand1<0.5\&\&rand2\ge 0.5\end{array}\\ x_l^g,rand1<0.5\end{array}\text{\hspace{1em}(4)}$$
其中，$u_l^g$是第$g$代中的向量合并得到的新向量；$\mu =0.05\times randn$

1.4 局部搜索阶段

INFO使用局部搜索阶段来防止陷入局部最优解。根据该算子，如果$rand<0.5$，则可以围绕生成一个新的向量，其中是[0,1]中的随机值。
$$u_l^g=\{\begin{array}{l}{x}_{bs}+randn\times (MeanRule+randn\times (x_{bs}^g-x_{a1}^g)),rand1<0.5\&\&rand2<0.5\\ x_{rnd}+randn\times (MeanRule+randn\times (v_1\times x_{bs}-v_2\times x_{rnd})),rand1<0.5\&\&rand2\ge 0.5\end{array}\text{\hspace{1em}(5)}$$
其中：
$$x_{rnd}=\varphi \times x_{avg}+(1-\varphi )\times (\varphi \times x_{bt}+(1-\varphi )\times x_{bs})\text{\hspace{1em}(5.1)}$$

$$x_{avg}=\frac{x_a+x_b+x_c}{3}\text{\hspace{1em}(5.2)}$$

其中，$\varphi$表示(0,1)的随机数；$x_{rng}$是由$x_{avg}$ ,$x_{bt}$和$x_{bs}$组成的新解，这增加了所提出算法的随机性，以更好地在解空间中搜索；$v_1$和$v_2$是两个随机数，定义如下：
$$v_1=\{\begin{array}{l}2\times rand,p>0.5\\ 1,p\le 0.5\end{array}\text{\hspace{1em}(5.3)}$$

$$v_2=\{\begin{array}{l}rand,p>0.5\\ 1,p\le 0.5\end{array}\text{\hspace{1em}(5.4)}$$

算法流程图如下：

2.实验结果

3.参考文献

[1] Iman Ahmadianfar, Ali Asghar Heidari, Saeed Noshadian. INFO: An efficient optimization algorithm based on weighted mean of vectors[J]. Expert Systems With Applications, 2022, 195: 116516.

4.Matlab代码