烟花算法译文.docVIP

烟花算法（最优化） 摘要：通过观察烟花爆炸得到启示，一种新颖的（novel）蚁群智能算法（称作烟花算法），被提出以解决全局复合函数最优化问题。在烟花算法的提出中，使用了两种爆炸（搜索）进程，同时也设计了保持粒子多样性的机械设置。为了验证FA的性能（validation），用了9个标准测试函数做了大量的实验来比较FA和两个粒子群最优化（PSO）算法的变型，即标准PSO和克隆PSO。实验结果证明了假设的FA无疑胜过那两种PSO变型，不管在集中速度还是解决全局准确度方面。 关键词：自然运算，群智能，烟花算法，粒子群最优化，函数最优化。 1.介绍： 最近几年，群智能（SI）已经在全世界致力于算法问题工作的研究者中变得流行起来。SI算法，例如粒子群最优化（PSO），蚁群系统，克隆选择算法和群体机器人等，在解决许多算法问题上都有许多优点。在所有的SI算法中，PSO在研究多维空间的优化选址问题中是一个最流行的算法。在1995年，K和E提出了PSO作为一个能力全局优化算法，由于鸟群的行为使他们受启发。从此以后，PSO就吸引了全世界研究者们的关注，大量的PSO正确性检测也不断提出。 就像PSO，大多数群智能算法是由于自然界一些智能克隆行为的启发。在这篇论文中，由于烟花出现的群体行为的启发，一个新颖的称作烟花算法（FA）的群智能算法被提出用于函数最优化。FA是通过刺激烟花的爆炸进程来呈现和实行的。在FA中，使用了2个爆炸（搜索）进程，同时也精心设计了保持粒子多样性的机械设置。为了验证（validate）假设的FA执行的正确性，用FA、标准PSO（SPSO）和克隆PSO（CPSO）的9个标准测试函数做了比较实验。结果显示FA不管在最优化准确度还是收敛速度方面都明显胜过SPSO和CPSO。 该论文的余下部分是这样组织的。第二章节描述了FA的框架，介绍两种搜索进程和保持多样性的机械设置。第三章节显示实验结果以验证FA的执行正确性。第四章节总结论文。 2．烟花算法 2.1 FA框架 当烟花爆炸后，火花的散落将充满烟花周围的局部空间。我们认为，烟花的爆炸进程可以看作是一个在局部空间内对固定点的搜索，这个空间范围是烟花爆炸后在爆炸中产生的火花。当我们要找到一个定义为f(x)=y的点x，我们可以在潜在区域里不断的引爆烟花，直到一个火花命中了点x或者相当靠近点x。在图1显示了FA的大致框架来模仿引爆烟花的进程。 在FA中，为了每个爆炸的产生，我们首先选择n个位置，在这n个位置中分别引爆了n个烟花。在爆炸之后，我们可以得到和估计粒子的位置。当找到最优位置，算法结束。否则，在从附近的火花选择n个其他的位置和烟花进行下一轮的爆炸。 从图1中可以看到在一个好的爆炸进程设计下的FA的成功执行，及选择位置的适当方法，将分别在2.2和2.3小节进行详尽说明。 2.2烟花爆炸的设计 通过观察烟花表演，我们可以发现烟花爆炸两个特有的行为。当烟花制造得很好，将会产生大量的火花，火花集中于爆炸的中心点。在这种情况下，我们可以欣赏到烟花的壮观表演。然而对于坏的烟花爆炸而言，只会产生相当少的火花，这些火花零星散落（scatter）在空间中。 图2中显示了两种情况。从搜索算法的角度看，一个好的烟花意味着烟花要定位在距离最优位置很近的可能区域范围。这样它就适合利用更多的火花来搜索烟花的局部区域。相反，一个坏的烟花意味着最优位置可能离烟花定位较远。然后搜索距离就会变大。在FA中，相比于坏的烟花，好的烟花应产生更多的火花，且充分（amplitude）的爆炸更小。 火花数。假设FA设计于解决一般的最优化问题：Min f(x) ∈ R, xmin x xmax ，(1) 其中x=x1,x2,…..xd表示潜在空间一个定位，f(x)是一个目标函数，xmin和xmax表示潜在空间的范围。 然后由每个烟花xi产生的火花的数目定义如下： m是一个控制n个烟花产生火花总数的参数， 是n个烟花中的目标函数的最大值（最坏的），表示计算机常量的最小值，用来避免除0错误。 为了避免华丽的烟花造成重大后果，定义范围为si，在等式3表示。 其中a与b是固定常量参数。 爆炸的位移幅度。相比于火花数目的设计，一个好的烟花的爆炸的位移幅度比一个坏的更小。每个烟花的爆炸振幅定义如下： 其中表示最大爆炸振幅，ymin =min(f(xi)) (i =1, 2,...,n)是n个烟花当中的目标函数最小值（最好的）。 产生火花。在爆炸过程中，火花可能从任意z的方向（维数）受爆炸的影响。在FA中，我们获得了受影响的任意方向的数目，如下： 其中d是位置x的维数，rand(0, 1)是区间[0,1]上的一个均匀分布。 我们可以用算法1获得烟花xi的火花的位置。模仿爆炸过程，首先产生一个火花的位置。然后如果发现获得的位置超出了潜在空间