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$\overrightarrow{A}$表示计算出来的新的个体搜索位置，计算公式如下：$$\overrightarrow{A}=\frac{\overrightarrow{G}}{\overrightarrow{M}}\text{\hspace{1em}(1)}$$$$\overrightarrow{G}=c_2+c_3-\overrightarrow{F}\text{\hspace{1em}(2)}$$$$\overrightarrow{F}=2\cdot c_1\text{\hspace{1em}(3)}$$式中，$\overrightarrow{G}$表示重力作用，$\overrightarrow{F}$表示深海中的水流平流，变量$c_1,c_2,c_3$均为$[0,1]$的随机数。$\overrightarrow{M}$表示个体之间的互相作用力，计算公式如下：$$\overrightarrow{M}=\lfloor P_{min}+c_1\cdot (P_{max}-P_{min})\rfloor \text{\hspace{1em}(4)}$$式中，$P_{min},P_{max}$分别表示个体相互作用的初始速度和从属速度，一般$P_{min},P_{max}$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：$$\overrightarrow{PD}=|\overrightarrow{FS}-r_{and}\cdot \overrightarrow{P_p}(x)|\text{\hspace{1em}(5)}$$式中，$\overrightarrow{PD}$表示食物源与搜索个体之间的距离，$\overrightarrow{FS}$表示食物源的位置，$x$表示当前迭代次数，$\overrightarrow{P_p}(x)$表示被囊个体的位置，$r_{and}$是$[0,1]$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：$$\overrightarrow{P_p}(x^{\prime })=\{\begin{array}{l}\overrightarrow{FS}+\overrightarrow{A}\cdot \overrightarrow{PD},if{r}_{and}\ge 0.5\\ \overrightarrow{FS}-\overrightarrow{A}\cdot \overrightarrow{PD},if{r}_{and}<0.5\end{array}\text{\hspace{1em}(6)}$$式中，$\overrightarrow{P_p}(x^{\prime })$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：$${\overrightarrow{P}}_p(x+1)=\frac{\overrightarrow{P_p}(x)+\overrightarrow{P_p}(x+1)}{2+c_1}\text{\hspace{1em}(7)}$$

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：

图1 F1三维立体图形

图2 F1寻优过程

图3 F2三维立体图形

图4 F2寻优过程

图5 F3三维立体图形

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.