万有引力搜索算法经典案例.pptVIP

* GSA vs PSO GSA和PSO的优化在搜索空间通过个体移动获得，然而 移动规则是不同，一些重要的不同如下： a. PSO代理的方向计算仅用两个最佳位置pbesti和gbest， GSA的基于整体合力的所有其他代理获得。 b. PSO应用一种存储器来更新速度（pbesti,gbest）,然而， GSA无存储，在更新中仅需要代理的当前位置起作用。 c. PSO执行更新不需要考虑解之间的距离；GSA的力与解之 间距离成反比。 d. 两个算法的搜索理念是不同的，PSO模拟鸟的行为，GSA 源于物理现象。 * 4.2 CFO 算法 中心引力优化CFO是确定性多维搜索算法。它的模型是穿越 搜索空间重力影响下的探针。在开始时，初始探位置用一个 确定方式计算。对于初始化，根据式（17），在零时刻每一 个坐标轴的位置矢量排列充满均匀分布的探针， d=1...n， p=1... （17） ， fiti 是探针i 的适应度函数，它必须最大化。 n是维数，N是探针数量，在CFO，每一次迭代，探针进行评估。 M用适用度函数计算，即式（18）， 是t时刻探针i 的质量。 （18） * 随后，加速度更新应用式（19）， 一个新位置计算应用式（20）， 是时间t探针i 的加速度 是时间t探针i 的位置 是两个常数。 （19） （20） G是引力常数，Rij(t)是t时刻探针i和j 之间的欧氏距离。 U是单位阶跃函数 * GSA vs CFO 两者的探索位置和加速度都来源于在引力场中的质 点运动，但它们使用不同的构想 （1）其中一个主要的不同是CFO是固有的确定性的 并且没有应用任何随机参数在它的构想，GSA是随机 搜索算法。 （2）加速度和运动表现以及群体计算，GSA不同于CFO。 （3）CFO初始探针位置分布是系统的（基于确定性 的规则），在算法收敛有很大影响。GSA初始分布是 随机的。 （4）CFO的G是常数，GSA中是控制参数。 * Ⅳ. 实验结果 5.1 基准函数 表1~表3中的基准函数是测试实验所用到的基准函数。在这些表中，n代表函数的维数，S是 的子集。表1和表2中函数除了 之外最小值都是0， 的最小值为 并且除了 , 和 以外，它们的最优位置 都为 ， 和 的最优位置 为 ， 的最优位置 为 表1，单峰测试函数 * 表2，高维多峰测试函数 表3，多峰低维测试函数 * 三个算法应用到基准函数，结果如下： （1）单峰高维函数 到 是单峰高维函数，这种情况下，因为有其他方法来专门设计优化单峰函数，因此单峰函数搜索算法的收敛速度比最终结果更重要。 在表4中显示，GSA对所有函数的运行结果要比RGA和PSO要好，GSA的收敛速度可由图3,4得出，根据这些图表，GSA比其他算法更快的找到全局最优，因此GSA有较高的收敛速度。从表4的结果显示，除了F5之外，基于权值的引力优化算法对其他的4个基准函数的搜索结果明显好于引力搜索算法的搜索结，仿真效果如图3,4所示 * 表4高维单峰函数最小值搜索结果（函数维数n为30，最大迭代次数为1000） * 5.2 比较PSO与RGA 我们应用GSA到这些最小化函数，并且比较RGA与PSO所得出的结果，在这些情况，群体大小设置为 。维数 ，表1,2的函数最大迭代次数为1000，表3为500，在PSO中 ，惯性因素 从0.9到0.2线性下降，在RGA应用算法交叉算子，高斯交换以及轮盘算法，交叉和变异的概率分别为0.3和0.1. 在GSA,G用(21)式表示， 为100， 。 是所有迭代次数 (21) 引力搜索算法GSA：A Gravitational Search Algorithm * 近几年，多种启发式优化方法得到发展，这些方法中很多是 根据自然中群体行为得到启示。 本节课介绍一种基于万有引力定律和质量相互作用的新的 优化算法—引力搜索算法。 引力搜索算法在2009年被首次提出，是一种基于万有引力 定律和牛顿第二定律的种群优化算法。该算法通过种群的 粒子位置移动来寻找