北极熊优化算法PBO的理论知识以及python代码实现

北极熊优化算法

1.条件假设

在北极熊算法 中，假 设 种 群 由$ｋ$ $k$个 北 极 熊 组 成，每 个 北极熊代表解空间中的一个具有$n$个维度的点$x=(x_0，x_1，\dots ，x_{n-1})$，在第$t$次 迭 代 时 第$i$ 个 点 的 第$j$ 维 度 的 坐 标 用 $（{x_j}^i{)}^t$ 表示。

2.浮冰漂移 （全局搜索）策略

如果一只饥饿的北极熊在它最近邻范围内找不到任何 东西吃，那么它就站上一个大而稳定的浮冰，浮 冰 在 很 长 一段时间内不会因为北极熊体重太大而破裂。北 极 熊 利 用 浮冰朝远处可能有海豹的聚集地漂移。漂移可能需要几天 时间，在这段时间内北极熊也在周围的冰面和水域中寻找 食物。北极熊的浮冰漂移现象在算法中用公式 (１)来 表示。
$$({x_j}^i{)}^t=（{x_j}^i{)}^{t-1}+sign(w)\times \alpha +\gamma (1)$$

$\alpha$是区间 $(0,1]$之间的随机数，$\gamma$是 $[0,w]$区间内 的随机 数，$sign(w)$ 函数是分段函数， 根 据 $w$ 的 取 值 $(负，\mathrm{０}，正)$$sign(w)$函数的结果为{ $-1,0,1$}，$w$ 是两个北极熊之间的欧式距离 (公式 (２))。
$$w＝\sqrt{\sum _{k=0}^{n-1}({x_k}^{best}-{x_k}^i{)}^2}(2)$$
在北极熊算法的迭代过程中的每个个体都根据公式 (１)进行全局搜 索 探 索，但是只有在某只熊探索到比当前 位置更好的 位 置 时，才更新该只熊的位置。因 为 只 有 在 熊 距离海豹聚集地更近的时候，它才有很大希望捕成功 （如 图２所示）。

3.海豹捕捉 （局部搜索）策略

在捕猎过程 中，北极熊在北极冰面上漫步着探寻潜在 的猎物，此时它不仅观察冰面上的情况，水下的情况也在 它的视野监 视 之 下。为 了 发 现 猎 物，北极熊悄悄地向最佳 地点移动。一旦北极熊基本到达攻击位置或者它被海豹发 现，他就以最大速度攻击猎物。海豹通常最有可能待在冰 上，然而当有 危 险 的 时 候，它们也会跳入水 中。北 极 熊 也 会立刻跳入 水 中，利用潜水和游泳的优势，北 极 熊 可 以 在 水下迅速追上猎物并把它的牙齿刺入海豹体内，随 后 北 极 熊把海豹拖上浮 冰 享 用 美 味。北极熊的这种捕捉海豹的策 略，在算法中作为局部搜索策略。每只熊的移动方式按照 修改的三叶草方程公式 $(3)$进行，北极熊的视野半径用两 个参数表示：$\theta \in [0,0,3]$限定了北极熊的能见距离，${\phi }_0\in [0,0,3]$表示围绕猎物行进的斜角度。
$$r=4acos({\phi }_0)sin({\phi }_0)(3)$$
ｒ作用于每只熊自身移动过程中每一维度上的坐标的更 新过程中，如公式 (４）所示。
$$\begin{gathered} {x_0}^{new}={x_0}^{dd}\pm rcos({\phi }_1) \\ {x_1}^{new}={x_1}^{dd}\pm r[sin({\phi }_1)+cos({\phi }_1)] \\ {x_2}^{new}={x_1}^{dd}\pm r[sin({\phi }_1)+sin({\phi }_2)+cos({\phi }_3)]（4） \\ {x_{n-2}}^{new}={x_{n-2}}^{dd}\pm r[\sum sin({\phi }_k)+cos({\phi }_{n-1})] \\ {x_n}^{new}={x_n}^{dd}\pm r[\sum sin({\phi }_k)+cos({\phi }_n)] \end{gathered}$$
　每个$\phi$的取值为 $[0,2\pi ]$，公式中的 “＋”号表示北极熊向 前 探 寻，如果位置不理想，北 极 熊 就 向 “－”号 方 向探寻，两个方向都不理想，北 极 熊 就 原 地 不 动。如 果 北 极熊是在二维平面上进行捕猎，则它的行进路径与三叶草某片叶子的形状极其相似 （图３）。 　
饥饿引发熊群繁衍与灭绝策略 （动态种群规模调整策略） 在算法执行初期，熊群规模只是最大容量的75%，剩 余的25％为后期的熊群增长、最好个体繁殖后代和最差解 的消亡作准备。在算法的每一次迭代中，个体会因饥饿而死亡或者在成功捕猎后繁殖后代。这个机制代表了北极的 严酷条件，算法引入$k$作为$[0,1]$区间上的随机数，采用 公式 (５)确定熊的死亡或生存决策。
$$\begin{gathered} Deathifk<0.5 \\ Reproductionifk>0.75(5) \end{gathered}$$
死亡策略是针对最虚弱的一只熊，熊 死 亡 的 条 件 是： 种群数量要保证多于种群容$(6)$进行。
$$({x_j}^{Reproduction}{)}^t=({x_j}^{best}{)}^t+({x_j}^i{)}^t/2(6)$$

算法步骤

1）定义参数：适应值$f$、解维度、迭代次 数 $T$、种 群 最大容量$n$和视野最大距离等；

2）随机生成初始种群$75％n$并记录最好解；

3）对种群中的每个北极熊，随机设置每个维度的斜角度值$\phi$；

4）利用公式 （３）计算搜索半径$r$；

5）在 “＋”号作用下采用公式 （４）计算北极熊新位 置，如果新位置更好，更新当前位置；

6）在 “－”号作用下采用公式 （４）计算北极熊新位 置，如果新位置更好，更新当前位置；

7）根据公式 （１）和$w$，决策北极熊的位置；

8）对种群进行排序，选出排序第一位的北极熊判断是 否更新全局最好解；

9）随机从当前种群$10$个最好解中，选择$1$个与全局 最好解不同的解；

10）随机产生$k$值，如 果$k<0.25$且 熊 数 量 大 于$50％$，则移除种群中排序在最后一名的解；

11）如果熊的数量小于$n-1$，则根据公式 （６）繁衍１ 只新熊加入种群；

12）判断是否达到最大迭代次数，是则转13），否则跳 转到3）；

13）输出全局最好解和适应值，退出算法。

Python代码实现

参数设定

'''
# 全局参数设定
'''
M:种群最大容量
m:种群当前规模大小
N:目标函数解的维度
T:迭代次数
V:最大视野距离
X:解集合
P:初始化种群数量百分比
K:动态调整规模参数
B:变量限制范围
'''
# 问题1：迭代陷于局部最优
M, N, T, V, P, K, B = 30, 20, 201, 0.3, 0.75, 0.25, [-32, 32]
m = int(np.floor(M * P))

寻优函数

def function(X):
    y1 = 0
    for i in X:
        y1 += i*i
    y2 = 0
    for i in X:
        y2 += np.cos(2*np.pi*i)
    y = -20 * np.exp(-0.2 * np.sqrt(1 / 30 * y1))-np.exp(1/30*y2)+20+np.exp(1)
    return y

浮冰漂移 （全局搜索）策略

fits = np.zeros(M)

def move(index, angle, radius, action):
    # print('index, angle, radius, action, N', index, angle, radius, action, N)
    temp = np.zeros(N)
    for j in range(N):
        # print("j:", j)
        result = 0
        # 计算sin部分的累加值
        for k in range(j):
            result += np.sin(angle[k])
        if 'add'.__eq__(action):
            temp[j] = X[index][j] + radius * (result + np.cos(angle[j]))
        else:
            temp[j] = X[index][j] - radius * (result + np.cos(angle[j]))
    return temp

海豹捕捉 （局部搜索）策略

res = np.zeros(50)
# main loop
fitness = np.zeros(T)
for _ in range(1):
    # 初始化
    m = int(np.floor(M * P))
    # X = np.zeros((M, N))
    #
    # # 随机初始化
    # X[:m] = np.random.random((m, N)) * (B[1] - B[0]) + B[0]
    X = np.loadtxt(open("./pop_Ackley.csv", "rb"), delimiter=",", skiprows=0)
    f_best = np.inf
    x_best = 0
    for i in range(m):
        fits[i] = function(X[i])

    arg = np.argsort(fits[:m])

    if fits[arg[0]] < f_best:
        f_best = fits[arg[0]]
        x_best = X[arg[0]]
    # 测试一次 迭代T次
    t = 0

    while t < T:
        # area search
        # 视野半径后期变大 跳出局部最优
        # 对种群每一只北极熊
        for i in range(m):
            # 局部搜索
            angles = np.random.random(N) * 2 * np.pi
            sta = np.random.random() * V
            angle0 = np.random.random() * np.pi / 2
            r = 4 * sta * np.cos(angle0) * np.sin(angle0)
            # using the sign of add
            tmp = move(i, angles, r, 'add')
            if function(tmp) < function(X[i]):
                X[i] = tmp
            else:
                tmp = move(i, angles, r, 'minus')
                if function(tmp) < function(X[i]):
                    X[i] = tmp
            # 全局搜索
            # 决策北极熊的位置
            w = np.sqrt(np.sum((x_best - X[i]) ** 2))
            alpha = np.random.random()
            gamma = np.random.random() * w
            tmp = X[i] + np.sign(w) * alpha + gamma
            if function(tmp) < function(X[i]):
                X[i] = tmp

        # 统计当前适应度值
        for i in range(m):
            fits[i] = function(X[i])
        arg = np.argsort(fits[:m])

        if fits[arg[0]] < f_best:
            f_best = fits[arg[0]]
            x_best = X[arg[0]]
        # 种群的动态变化
        k = np.random.random()
        # 种群繁衍
        if m < M - 1 and k > (1 - K):
            # 从前10%中随机抽取一个 个体与最好个体交配 生成新的个体
            idx = random.randint(1, np.floor(m * 0.1) + 1)
            X[m] = (x_best + X[arg[idx]]) / 2
            m += 1
        # 最弱个体死亡
        if m > M * 0.5 and k < K:
            # arg中排序最后的为最弱个体
            # 死亡之后 后面的所有个体往前移动一个位置
            X[arg[-1]:m] = X[arg[-1] + 1:m + 1]
            m -= 1
        print(t, " 当前最小适应度值:", f_best, '个体为：', x_best, '种群数量：', m)
        fitness[t] = f_best
        t += 1
    print("第", _, '次测试', "最小适应度值:", f_best, '个体为：', x_best)

    res[_] = f_best

寻优结果

下载链接

北极熊优化算法无差错下载链接

参考文献

[1]张亮, 韩毅, 邓丽丽. 国外新型智能优化算法——北极熊算法[J]. 计算机测量与控制, 2020, 28(3):7.