第六次遗传算法.ppt

在（7）中 Maj(t)和Mpi(t)分别为作用粒子 j的惯性质量和被作用粒子i的惯性质量， Rij (t) 是第i个粒子和第 j个粒子之间的欧氏距离 （8） 在引力搜索算法中， 为了增加随机特性， 假设在第d维上作用在第i个粒子上的总的作用力是来自其它所有的粒子作用力的总和，其大小 的定义如下： （9） 其中rand 是范围在[0,1]之间的随机数, 是第 j个粒子作用在第i个粒子上在d 维空间上的引力。 根据牛顿第二定理，粒子i在第d 维上t时刻的加速度 定义如下： （10） 其中Mi（t）是第i粒子的惯性质量 在GSA算法中，对于每一次的迭代过程，粒子都会根据以下公式更新它的速度和位置： （11） （12） 其中randi 是[0,1]之间的随机数 引力常量G开始被初始化并且随时间减少，从而来控制搜索精度，换句话说G就是初始值G0和时间t的函数 （13） 惯性质量是根据适应值的大小来计算，粒子的惯性质量越大，就意味着他越接近最优值，也就意味着该粒子有更大的吸引力，并且移动的速度也就越慢。在GSA算法中，使用以下公式更新粒子的惯性质量： fiti(t) 代表在t时刻第i个粒子的适应值的大小 kbest (t) 的一开始的值为搜索粒子的数量，也就是说，一开始，所有的粒子都作用其它的粒子。在最后kbest (t)值应该为一，也就是只有一个惯性质量最大的粒子作用其它的粒子。因此，等式（7）可以定义如下： 其中kbest是一开始适应值最好的粒子数的集合 实现该算法的步骤 （1）搜索空间的识别 （2）随机初始化 （3）粒子适应值的计算 （4）更新引力系数G (t)、最好值best(t) 、最坏值worst(t)和粒子的惯性质量 Mi(t) （5）计算各个方向上的力的总和 （6）计算加速度和速度 （7）更新粒子的位置 （8）返回到（3）循环迭代，直到达到循环次数或要求精度为止 （9）结束循环，输出结果。 GSA原理图 GSA 用于目标跟踪 跟踪采用模板匹配方法； 初始个体为预测匹配点的二维坐标（x,y）； 适应度函数为模板匹配的相似性度量函数。 实验结果 种群总是向图像中心收敛 导致上述问题的原因 在第d维上作用在第i个粒子上的总的作用力是来自其它所有的粒子作用力的总和，如下： 所以图像中心的个体收到一个各方向均衡的力，而图像边缘的个体收到一个指向中心的单方向的力： （9） 改进GSA 不采用公式（9）计算总作用力； 引入“恒星”概念，每个个体受到的作用力只来源于恒星，非恒星的个体为行星； 遵循以下原则： 每个个体（行星）寻找一个恒星； 行星围绕恒星运动并靠近恒星； 恒星与多个行星构成一个星系。存在多个恒星及星系。星系间相互吸引并运动。 一、恒星的确定 假设种群规模为N，个体为ag[n], n = 1, 2, 3 … N； 个体的质量为ag[n].mass； ag[n].sunIndex为个体围绕恒星在种群中的编号，初始值为-1， 如ag[2].sunIndex 为10，表示种群中第十个个体是第二个个体的恒星，个体2围绕个体10运动。如果ag[n].sunIndex为-1，表示该个体为恒星。 参数说明如下： 假设massMax为种群中的最大质量值，则对于第n个个体寻找其恒星的具体步骤如下： 计算该个体与其他个体的欧式距离d(k)，k = 1,2,3…N,且k≠n。设dMax 为max(d(k))； 计算该个体与其他个体的归属值p(k