智能優化算法:蝗蟲優化算法

智能優化算法:蝗蟲優化算法-附代碼

@[toc]
摘要:蝗蟲算法( Grasshopper Optimization Algorithm,GOA ) 是 由 Saremi 等[1]于2017 年提出的一種元啟發式仿生優化算法,具有較高的搜索效率和較快的收斂速度,且算法本身特殊的自適應機制能夠很好地平衡全局和局部搜索過程,具有較好的尋優精度。

1.算法原理

根據蝗蟲算法模擬蝗蟲在自然界中的種群遷移和覓食行為將搜索分為: 探索和開發。對該過程進行數學建模,蝗蟲算法的數學公式如下:
X_{i}=S_{i}+G_{i}+A_{i}
式中: X_{i}為第 i 個蝗蟲的位置; S_{i}為個體間相互影響力; G_{i}為第 i 個蝗蟲受到的重力; A_{i}為第i 個蝗蟲受到的風力。蝗蟲的社會作用對蝗蟲位置的影響最大。S_{i}計算如下:
S_{i}=\sum_{j=1,j\neq i}^{N}s(d_{ij})\bold{d_{ij}}
式中: d_{ij} = |x_{i}-x_{j}|為第 i 個蝗蟲與第 j 個蝗蟲之間的距離;\bold{d_{ij}}=(x_{j}-x{i})/d_{ij}為第 i 個蝗蟲指向第 j 個蝗蟲的單位向量; s 為社會力量,其為負數時表示相互排斥,為正數時表示相互吸引,計算方法如下:
s=fe^{\frac {-r}{l}}-e^{-r}
式中: f 為吸引強度; l 為吸引長度尺度。當 l=1. 5,f= 0. 5 時,函數s 的曲線顯示了蝗蟲之間的相互作用力( 吸引和排斥)。

在這里插入圖片描述

<center> 圖1.s函數

在這里插入圖片描述

<center> 圖2.改變參數f,l時的s

由圖 1 可知,在區間( 1. 000,2. 079) 內,存在排斥力; 當距離等于 2. 079 時,即沒有吸引力也沒有排斥力,稱這一區域為舒適區; 當距離從 2. 079 增加到4.000 的過程中,存在吸引 力,且開始 是 逐 漸 增加的,然后吸引力逐漸減少。改變式中的fl 參數時,蝗蟲之間的相互力會改變,如圖 2 所示。根據圖 2 中的函數曲線,選擇參數 l=1. 5,f=0. 5

在這里插入圖片描述

<center> 圖3.蝗蟲個體之間的相互作用

可以直觀地顯示蝗蟲之間相對于舒適區域的相互作用的概念性示意圖如圖 3 所示。函數 s 存在一個不足,即當蝗蟲之間的距離過大時作用力將不存在,因此要將蝗蟲之間的距離做標準化處理。

G_{i}可計算如下:
G_{i}=-ge_{g}
式中: g 為重力常數; e_{g}為指向地球中心的單位向量。

A_{i}可計算如下:
A_{i}=ue_{w}
式中:u 為風力常量; e_{w}為指向風向的單位向量。于是X_{i}可表示為:
X_{i}=\sum_{j=1,j\neq i}^{N}s(|x_{j}-x{i}|)\frac {x_{j}-x_{i}}{d_{ij}}-ge_{g}+ue_{w}
通常當蝗蟲群到達舒適區時,蟲群仍舊沒有收斂,為了適應優化問題的求解,協調全局和局部優化過程,通過引入參數以區分不同階段的尋優。改進后的數學模型如下:
X_{i}=\sum_{j=1,j\neq i}^{N}c\frac {ub_11mq00x-lb_z15tnlq}{2}s(|x_{j}-x{i}|)\frac {x_{j}-x_{i}}{d_{ij}}+T_tfjkjoh
式中: c 為遞減系數,決定著舒適區、斥力區和吸引區的大小; N 為蝗蟲數量; ub_f0or50llb_egkkpm0分別為函數s(r)=fe^{\frac {-r}{l}}-e^{-r}d 維空間上的上下界;T_qrlpgwj為目前為止蝗蟲位置在d 維空間上的最佳解。式中不考慮重力影響,且假定風向總指向最優解。內部的 c 有助于減少蝗蟲之間的斥力或吸引力,且與迭代次數成正比,外部的 c 隨著迭代次數
的增加會減少對目標周圍的搜索區域。利用下式(更新參數c,隨著迭代次數的增加,減少全局搜索,并增加局部精度搜索。
c = c_{max}-n\frac {c_{max}-c_{min}}{L}
式中: c_max為最大值; c_min為最小值; n 為當前迭代次數; L 為 最 大 迭 代 次 數; 本 文 取c_{max}= 1,c_{min}=0.00004

2.算法流程

算法步驟如下:
( 1) 初始化。首先初始化蝗蟲種群 和算法中各參數。
( 2) 計算每個蝗蟲的適應度;
( 3) 計算當前最佳適應度;
( 4) 判斷是否達到迭代次數,若達到,則程序結束,當前的全局最優解的位置即為最優解
( 5) 更新參數 c;
( 6) 標準化蝗蟲之間的距離,歸一化區間為[1,4];
( 7) 更新蝗蟲的位置,并計算更新后的蝗蟲適應度,與歷史最佳進行比較,若適應度優于歷史最佳,則更新,否則不更新;
( 8) 更新迭代次數,并返回到( 4)

3.算法結果

在這里插入圖片描述

4.參考文獻:

[1]Shahrzad Saremi,Seyedali Mirjalili,Andrew Lewis. Grasshopper Optimisation Algorithm: Theory and application[J]. Advances in Engineering Software,2017,105.

[2]程澤新,李東生,高楊.基于蝗蟲算法的無人機三維航跡規劃[J].飛行力學,2019,37(02):46-50+55.

5.matlab代碼:

https://mianbaoduo.com/o/bread/mbd-Z5ealZ0=

文獻復現代碼
[1]趙然,郭志川,朱小勇.一種基于Levy飛行的改進蝗蟲優化算法[J].計算機與現代化,2020(01):104-110.
https://mianbaoduo.com/o/bread/mbd-YZaUlZZy
[1]李洋州,顧磊.基于曲線自適應和模擬退火的蝗蟲優化算法[J].計算機應用研究,2019,36(12):3637-3643.
https://mianbaoduo.com/o/bread/mbd-YZaUlZ1w
[1]何慶,林杰,徐航.混合柯西變異和均勻分布的蝗蟲優化算法[J/OL].控制與決策:1-10[2021-01-08].https://doi.org/10.13195/j.kzyjc.2019.1609.
https://mianbaoduo.com/o/bread/YZaUlpZp

6.python代碼:

https://mianbaoduo.com/o/bread/YZmXmJ9w

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 228,983評論 6 537
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,772評論 3 422
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 176,947評論 0 381
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,201評論 1 315
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,960評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,350評論 1 324
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,406評論 3 444
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,549評論 0 289
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,104評論 1 335
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,914評論 3 356
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,089評論 1 371
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,647評論 5 362
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,340評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,753評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,007評論 1 289
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,834評論 3 395
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,106評論 2 375

推薦閱讀更多精彩內容