基于三重动态调整的花授粉算法

一、理论基础

1、花授粉算法

请参考这里。

2、改进后的花授粉算法

（1）动态概率$P_{\alpha }$

为了平衡FPA算法的全局搜索和局部搜索，使算法更加灵活，将固定转换概率0.8更改为随着迭代次数自适应变化的动态转换概率$P_{\alpha }$，即$$P_{\alpha }=w_{\max }-(w_{\max }-w_{\min })\alpha \text{\hspace{1em}(1)}$$$\alpha$由式(2)计算得到，即$$\alpha =\sin (\frac{\pi }{2}\frac{t}{t_{\max }})\text{\hspace{1em}(2)}$$其中，$w_{\max }$与$w_{\min }$分别为$w$的最大值与最小值；$t$为当前迭代次数，$t_{\max }$为最大迭代次数。本文取$w_{\max }=0.9,w_{\min }=0.2$。在迭代初期，$P_{\alpha }$的取值较大，所以算法侧重于全局搜索，有效地增强了全局搜索能力，使得种群中的个体更靠近最优解；随着迭代深入，$P_{\alpha }$的值越来越小，使算法更倾向局部精细的搜索，有利于算法后期快速找到最优解。

（2）新型动态因子$\omega$

为了提高FPA算法跳出局部最优的能力，在异花授粉及全局搜索过程基础上引入新型动态因子$\omega$，调节种群迭代过程中搜索个体对当前母系花粉位置信息的依赖性。新型动态因子$\omega$的计算公式如(3)式所示：$$\omega ={\omega }_1\vartheta \text{\hspace{1em}(3)}$$其中：$${\omega }_1=-\frac{t}{t_{\max }}\lg \frac{t}{t_{\max }}\text{\hspace{1em}(4)}$$计算得${\omega }_1$的取值范围为$[0,0.3679]$，即$$\vartheta =\frac{{\omega }_{\max }}{{\omega }_{1\max }}=2.7181\text{\hspace{1em}(5)}$$迭代前期动态因子$\omega$值较小，削弱母系花粉位置对算法的影响，让花粉更自由地以Levy飞行在搜索空间内大范围地进行搜索，增加全局搜索的能力。迭代后期，动态因子$\omega$减小，使跳出局部最优的能力得到增强。改进后的异花授粉公式为$${\mathbf{X}}_i^{t+1}=\omega {\mathbf{X}}_i^t+L({\mathbf{X}}_i^t-{\mathbf{g}}_{\text{best}})\text{\hspace{1em}(6)}$$

（3）正弦余弦步长因子$\mu$

花授粉算法局部搜索机制中步长因子$\epsilon$为$(0,1)$中的随机数，算法迭代到后期容易导致求解精度低、易陷入局部最优等问题，所以本文提出了正弦余弦步长因子$\mu$$$\mu =\{\begin{array}{l}{r}_1\sin r_2{r}_3>0.5\\ r_1\cos r_2{r}_3\le 0.5\end{array}\text{\hspace{1em}(7)}$$$r_1$由式(8)计算可得，即$$r_1=a-a\frac{t}{t_{\max }}\text{\hspace{1em}(8)}$$其中，$a=1$；$r_2\in [0,2\pi ]$；$r_3$为$[0,1]$之间的随机数。
图1为步长因子随迭代时间$t$变化图。由图1可知：若迭代初期出现自花授粉的过程，较大的步长因子，使得算法前期具有较好的跳出局部最优的能力；随着迭代次数增加，动态概率$P_{\alpha }$逐渐减小，使得算法后期主要进行自花授粉过程；在算法后期，随着迭代次数的增加，正余弦步长因子的精度数量级也不断增加，有效地提高了算法的求解精度。改进后的自花授粉公式为$${\mathbf{X}}_i^{t+1}=\omega {\mathbf{X}}_i^t+\mu ({\mathbf{X}}_j^t-{\mathbf{X}}_k^t)\text{\hspace{1em}(9)}$$

图1 步长因子 $\mu$变化图

（4）实现步骤

1）初始化算法中各个参数。初始化花粉种群规模$N$、最大迭代次数$t_{\max }$， 根据式(1)定义异花授粉和自花授粉转换概率$P_{\alpha }$。
2）初始化花粉种群。寻找当前最优花粉和其所处位置${\mathbf{g}}_{\text{best}}$，并计算出其适应度值$f({\mathbf{g}}_{\text{best}})$。
3）进入主循环过程，随机产生一个随机数$\text{rand}(\cdot )$ ，如果$\text{rand}(\cdot )>P_{\alpha }$，则按照式(6)进行异花授粉，更新当前花粉位置；否则，根据式(9)进行自花授粉，并更新花粉位置。
4）判断是否更新个体。如果$f({\mathbf{x}}_i^{t+1})<f({\mathbf{x}}_i^t)$，则选择接受新的解，并传粉${\mathbf{x}}_i^t$至新位置${\mathbf{x}}_i^{t+1}$；否则，转至步骤3）。
5）与最优花粉进行比较，如果$f({\mathbf{x}}_n)<f({\mathbf{g}}_{\text{best}})$，则替换之前最优花粉${\mathbf{g}}_{\text{best}}$为${\mathbf{x}}_n$。
6）若当前花粉不是种群中最后一个花粉，则选择下一个花粉，并返回步骤4）；否则，转至步骤7）。
7）满足算法的终止条件(达到最大迭代次数)，则进行步骤8）； 否则进入步骤3）， 继续进入下一代搜索。
8）输出最优的花粉个体${\mathbf{x}}_n$和全局最优解$f({\mathbf{x}}_n)$。

二、实验仿真与分析

为了验证算法的有效性与可行性，从Benchmarks测试函数中选取了7个典型函数进行测试，并从4个方面分析其性能。测试函数与算法参数见表1和表2，表1中测试函数最优值均为0。

表1 测试函数

表2 算法参数

下图分别为4种算法在f1~f7函数中的收敛曲线图，各函数维数均为10。
函数仿真结果显示如下：

函数：F1
HLFPA：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
CS：最差值: 0.00083503,最优值:8.9338e-07,平均值:8.4758e-05,标准差:0.00016489
FPA：最差值: 0.21249,最优值:5.6861e-06,平均值:0.007517,标准差:0.038726
ASCSA：最差值: 1.1551,最优值:8.8818e-16,平均值:0.038505,标准差:0.2109
函数：F2
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 10.8355,最优值:3.8114,平均值:6.4537,标准差:1.5912
FPA：最差值: 21.8917,最优值:8.0443,平均值:15.1446,标准差:3.4885
ASCSA：最差值: 4.9748,最优值:0,平均值:1.8241,标准差:1.3086
函数：F3
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 0.10313,最优值:0.019826,平均值:0.050199,标准差:0.017413
FPA：最差值: 0.1937,最优值:0.071688,平均值:0.11488,标准差:0.026984
ASCSA：最差值: 0.12792,最优值:0.0098647,平均值:0.054473,标准差:0.028505
函数：F4
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 1.2995e-15,最优值:2.8301e-17,平均值:2.2139e-16,标准差:2.5651e-16
FPA：最差值: 8.8805e-13,最优值:1.0486e-14,平均值:2.4168e-13,标准差:1.9036e-13
ASCSA：最差值: 4.1769e-49,最优值:1.2888e-54,平均值:3.6513e-50,标准差:9.8592e-50
函数：F5
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 7.9977e-07,最优值:9.6521e-08,平均值:3.1238e-07,标准差:1.7591e-07
FPA：最差值: 4.4359e-05,最优值:2.4913e-06,平均值:1.1455e-05,标准差:9.5835e-06
ASCSA：最差值: 6.3044e-35,最优值:7.8977e-38,平均值:1.415e-35,标准差:1.9181e-35
函数：F6
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 0.043671,最优值:0.043671,平均值:0.043671,标准差:5.4689e-12
FPA：最差值: 0.043671,最优值:0.043671,平均值:0.043671,标准差:2.5058e-10
ASCSA：最差值: 0.043671,最优值:0.043671,平均值:0.043671,标准差:2.9306e-11
函数：F7
HLFPA：最差值: 0,最优值:0,平均值:0,标准差:0
CS：最差值: 1.1875e-06,最优值:3.5101e-08,平均值:2.6133e-07,标准差:2.473e-07
FPA：最差值: 0.016674,最优值:0.0010201,平均值:0.0057926,标准差:0.0045047
ASCSA：最差值: 0.095589,最优值:0.00035807,平均值:0.024449,标准差:0.024883

实验结果表明，改进后的FPA算法具有较快的收敛速度、较高的寻优精度，且适用于高维复杂函数求解问题。

三、参考文献

[1] 洪露, 贺兴时, 杨新社. 基于三重动态调整的花授粉算法[J]. 西安工程大学学报, 2021, 35(2): 97-103.
[2] 李荣雨, 戴睿闻. 自适应步长布谷鸟搜索算法[J]. 计算机科学, 2017, 44(5): 235-240.