基于被囊群优化算法的函数寻优算法

一、理论基础

被囊群优化算法(Tunicate Swarm Algorithm,TSA)是Satnam Kaur等提出的一种新的优化算法,它的灵感来自以在深海中成功生存被膜的成群行为,该算法模拟了被囊动物在导航和觅食过程中的喷气推进和群体行为,与其他竞争算法相比,TSA算法能产生更好的最优解,并且能够解决具有未知搜索空间的实际研究案例。

1、避免搜索位置冲突

为了避免搜索个体位置之间的冲突,向量 A → \overrightarrow A A 表示计算出来的新的个体搜索位置,计算公式如下: A → = G → M → (1) \overrightarrow A=\frac{\overrightarrow G}{\overrightarrow M}\tag{1} A =M G (1) G → = c 2 + c 3 − F → (2) \overrightarrow G=c_2+c_3-\overrightarrow F\tag{2} G =c2+c3F (2) F → = 2 ⋅ c 1 (3) \overrightarrow F=2\cdot c_1\tag{3} F =2c1(3)式中, G → \overrightarrow G G 表示重力作用, F → \overrightarrow F F 表示深海中的水流平流,变量 c 1 , c 2 , c 3 c_1,c_2,c_3 c1,c2,c3均为 [ 0 , 1 ] [0,1] [0,1]的随机数。 M → \overrightarrow M M 表示个体之间的互相作用力,计算公式如下: M → = ⌊ P m i n + c 1 ⋅ ( P m a x − P m i n ) ⌋ (4) \overrightarrow M=\lfloor{P_{min}+c_1\cdot(P_{max}-P_{min})}\rfloor\tag{4} M =Pmin+c1(PmaxPmin)(4)式中, P m i n , P m a x P_{min},P_{max} Pmin,Pmax分别表示个体相互作用的初始速度和从属速度,一般 P m i n , P m a x P_{min},P_{max} Pmin,Pmax的值定义为1和4。

2、向最优邻居方向移动

在避免邻域之间的冲突后,搜个体向最佳邻居的方向移动,计算公式如下: P D → = ∣ F S → − r a n d ⋅ P p → ( x ) ∣ (5) \overrightarrow{PD}=|\overrightarrow{FS}-r_{and}\cdot \overrightarrow{P_p}(x)|\tag{5} PD =FS randPp (x)(5)式中, P D → \overrightarrow{PD} PD 表示食物源与搜索个体之间的距离, F S → \overrightarrow{FS} FS 表示食物源的位置, x x x表示当前迭代次数, P p → ( x ) \overrightarrow{P_p}(x) Pp (x)表示被囊个体的位置, r a n d r_{and} rand [ 0 , 1 ] [0,1] [0,1]之间的随机数。

3、向最优位置靠拢

搜索个体可以保持其朝向最优搜索个体(即食物源)的位置,计算公式如下: P p → ( x ′ ) = { F S → + A → ⋅ P D → , i f   r a n d ≥ 0.5 F S → − A → ⋅ P D → , i f   r a n d < 0.5 (6) \overrightarrow{P_p}(x')=\begin{dcases}\overrightarrow{FS}+\overrightarrow A\cdot\overrightarrow{PD},\quad if\, r_{and}≥0.5\\\overrightarrow{FS}-\overrightarrow A\cdot\overrightarrow{PD},\quad if\, r_{and}<0.5\end{dcases}\tag{6} Pp (x)={FS +A PD ,ifrand0.5FS A PD ,ifrand<0.5(6)式中, P p → ( x ′ ) \overrightarrow{P_p}(x') Pp (x)表示更新后的位置。

4、群体行为

为了从数学上模拟被囊的群体行为,保存前两个最优解,并根据最优搜索个体的位置更新其他搜索个体的位置。以下公式用于定义被囊动物的群体行为: P → p ( x + 1 ) = P p → ( x ) + P p → ( x + 1 ) 2 + c 1 (7) \overrightarrow P_p( x+1)=\frac{\overrightarrow{P_p}(x)+\overrightarrow{P_p}(x+1)}{2+c_1}\tag{7} P p(x+1)=2+c1Pp (x)+Pp (x+1)(7)

二、仿真实验与结果分析

对常用基准函数F1,F2,F3进行仿真,TSA算法寻优过程如下:
在这里插入图片描述

图1 F1三维立体图形

在这里插入图片描述

图2 F1寻优过程

在这里插入图片描述

图3 F2三维立体图形

在这里插入图片描述

图4 F2寻优过程

在这里插入图片描述

图5 F3三维立体图形

在这里插入图片描述

图6 F3寻优过程

三、参考文献

[1] Satnam Kaur, Lalit K. Awasthi, A.L. Sangal, et al. Tunicate Swarm Algorithm: A new bio-inspired based metaheuristic paradigm for global optimization[J]. Engineering Applications of Artificial Intelligence, 2020, 90: 103541.

  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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

心️升明月

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