【优化算法】回溯搜索优化算法及其应用（BSA）（Matlab代码实现）

目录

1 概述

2 步骤

 3 回溯搜索优化算法应用

3.1 图像处理

3.2 用于圆拟合的伪数据生成

3 参考文献

4 Matlab代码实现

---

1 概述

BSA是基于群体智能理论的优化算法,该算法使用了历史种群和映射矩阵两个独特的概念。在每次迭代中,历史种群指导优化搜索,它能很好地平衡搜索广度( exploration)和搜索深度( exploitation),跳出局部最优解。在搜索深度方面,映射矩阵进一步优化了当前解。更详细的算法介绍参见文献[13]。在 VRPSDPTW的研究中,种群中每个个体表示一种车辆路径方案。BSA有两次选择过程,分别称为选择Ⅰ和选择II。选择Ⅰ在产生新的试验种群前﹐用于对历史种群的选择。选择II在产生试验种群后,实现对较优个体的选择。BSA 的求解流程如图1所示,核心部分由5个模块构成:初始化种群,选择I,变异,交叉和选择I。

 本文介绍了回溯搜索优化算法（BSA），这是一种用于求解实值数值优化问题的新型进化算法（EA）。EA是流行的随机搜索算法，广泛用于解决非线性，不可微分和复杂的数值优化问题。目前的研究旨在减轻EA中经常遇到的问题的影响，例如对控制参数的过度敏感性，过早的收敛和缓慢的计算。在这方面，BSA的发展是由试图开发更简单，更有效的搜索算法的研究推动的。

与许多搜索算法不同，BSA 具有单个控制参数。此外，BSA 的问题解决性能对此参数的初始值并不太敏感。BSA具有简单的结构，有效，快速且能够解决多模态问题，并使其能够轻松适应不同的数值优化问题。

BSA生成试验群体的策略包括两个新的交叉和突变算子。BSA用于生成试验群体和控制搜索方向矩阵和搜索空间边界的振幅的策略