基于向日葵优化算法(SFO)的函数寻优算法

一、理论基础

1、算法原理

向日葵的模式是一致的：它们每天都像时钟一样随着太阳走。在傍晚时分，它们会走另一条路，在第二天早上的聚会上待命。基于向日葵在探索太阳最佳方位时运动的特殊性。随机施肥被认为是在向日葵$i$和$i+1$的边缘距离之间。一般来说，每一片花都会释放出数以百万计的花粉配子。为了简单起见，我们认为每一朵向日葵只产生一个花粉配子，并单独繁殖。基于自然的优化的另一个重要点是平方反比定律。该定律指出，接收到的功率与分离的平方成反比，需要较大的阶跃值才能朝向太阳(全局最优)。所有向日葵的接收热量定义为$$Q_i=\frac{P}{4\pi r_i^2}\text{\hspace{1em}(1)}$$式中，$P$是能量的功率，$r_i$是最佳位置和植物$i$之间的距离。
向日葵对太阳的方向是：$$\overrightarrow{s_i}=\frac{X^{\ast }-X_i}{||X^{\ast }-X_i||},i=1,2,\cdots ,n_p\text{\hspace{1em}(2)}$$向日葵在$s$方向上的步进通过以下公式计算：$$d_i={\lambda }_i\times P_i(||X_i+X_{i-1}||)\times ||X_i+X_{i-1}||\text{\hspace{1em}(3)}$$式中，$\lambda$是定义植物“惯性”位移的常数值，$P_i(||X_i+X_{i-1}||)$是授粉的概率，即向日葵$i$与其最近的邻居$i-1$授粉，在随机位置产生一个新的个体，该个体根据花之间的每个距离而变化。也就是说，离太阳较近的个体会采取较小的步进来寻找局部优化，而距离较远的个体则会正常移动。也有必要限制每个个体给出的最大步长，以避免跳过容易成为全局最小候选的区域。这里我们将最大步长定义为：$$d_{max}=\frac{||X_{\max }-X_{\min }||}{2\times N_{pop}}\text{\hspace{1em}(4)}$$式中，$X_{\max }$和$X_{\min }$是上下限值，$N_{pop}$是向日葵的数量(种群规模)。
新的植物位置将由下式更新：$${\overrightarrow{X}}_{i+1}={\overrightarrow{X}}_i+d_i\times \overrightarrow{s_i}\text{\hspace{1em}(5)}$$

2、算法伪代码

图1 向日葵优化算法伪代码

二、仿真实验

本文以Sphere的5维函数为例，迭代1000次。
图2为迭代过程中自变量位置的变化动图。

图2 迭代过程中自变量的移动

图3为寻优过程的收敛曲线。

图3 寻优过程的收敛曲线

三、参考文献

[1] Gomes, G.F., da Cunha, S.S., Ancelotti, A.C… A sunflower optimization (SFO) algorithm applied to damage identification on laminated composite plates[J]. Engineering with Computers, 2019, 35: 619-626.