一种新型群体智能优化算法——微进化算法.docVIP

一种新型群体智能优化算法——微进化算法 第18卷第3期 2010年9月 厦门理工学院 JournalofXiamenUniversityofTechnology Vo1.18No.3 Sep.2010 一 种新型群体智能优化算法——微进化算法 许小健,查日兴 (芜湖市勘察测绘设计研究院,安徽芜湖241000) [摘要]提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身 历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果 表明:微进化算法简单有效,计算精度高,收敛速度快,鲁棒性强;此外,还具有参数设置简便,计算简 单等特点. [关键词]全局优化算法;微进化算法;群体智能;函数优化 [中图分类号]TP18;TP301.6[文献标志码]A[文章编号]1008—3804(2010)03—0038—05 全局连续优化问题可以描述为: minX):ER∈(1) 式中,X=,:,…,},为D维的待优化变量;U为基本空间;R是的一个子集,称为可行域 空间.对于大部分的问题,目标函数往往是非线性,非凸,且存在大量局部极小,从而造成了问题求 解的困难性.遗传算法(GeneticAlgorithm,GA)和模拟退火(SimulatedAnnealing,SA)算法等智 能优化方法因具有广泛的普适性,对目标函数没有严格的要求,因此,在解诸如式(1)优化问题时 展现了优异的性能和巨大的发展潜力.目前,这类优化算法已成为最优化方法应用的主流. 近年来,智能优化算法的发展也呈现了一些新的发展趋势,出现了如差分进化(DifferentialEvo— lution,DE)算法,粒子群优化(ParticleSwarmOptimization,PSO)算法,蚁群优化(AntColonyOp— timization,AGO)算法,人工生命算法(ArtificialLifeAlgorithm,AFA),人工鱼群算法(Artificial FishSchoolAlgorithm,AFSA),食物链算法(Food—chainAlgorithm,FCA),细菌觅食(BacterialFora— gingOptimization,BFO)算法等多种新型的智能优化算法¨』.这些算法大多是其创始者受自然界的 各种现象或过程所获灵感的启发,而创造出的一系列全新的复杂系统的计算方法.目前,这些新型启 发式智能计算方法已成为智能计算领域的研究新热点.受人类社会发展进程中人类趋同和趋异学习行 为过程的启发,本文构造了一种新型群体智能优化算法,称之为微进化算法(MieroevolutionAlgo— rithm,MA).其采用群体社会学习机制,基于个体自身历史最优状态,以群体最优个体与自身之间 的差异信息来动态调整自身的移动轨迹.通过对多个基准测试函数的测试,结果验证了算法的有效性 和鲁棒性. 1微进化算法原理与实现 微进化算法所采用的基本搜索策略是群体中的每一个个体向群体中的优秀个体进行学习,利用优 秀个体积累的经验知识来改变自身,使自身得以处于不断运动之中.具体来说,MA基于实数编码, 对种群中的每个个体i,以其自身所处历史最优位置为基础,以群体最佳位置与当前个体i的矢量差 异为参照,进行动态随机搜索,以实现种群的进化.为便于描述,设X=(,…,)为个体 i=1,2,…,脚的D维矢量,每个置代表着一个潜在的解;设Xpbest为个体i迄今为止搜索到的最 【收稿日期]2010—01—24[修回日期]2010一o4—3O [作者简介]许小健(1984～),男,安徽芜湖人,助理工程师,硕士,从事智能优化算法及其工程应用研究. 第3期许小健,等:一种新型群体智能优化算法——微进化算法39? 优状态,Xgbest为整个群体中的所有个体迄今为止搜索到的最优位置状态.在每一次的迭代搜索中, MA以式(2)更新各个体所处状态: . +1=~best+,×N(O,)×(~best—Xl,)(2) 式中,为迭代次数;r为0～1之间的正实数,一般为了使用方便,可令,∈u(o,1);N(O,)为 正态分布随机数,其中∈(0.5,2.5). 分析式(2)可知,当Ni(0,)gt;0时,群体中的各个体i以矢量差(~best一鼍)为方向趋 同;当(0,)lt;0时,各个体以矢量差(~best一置.)的反方向趋异.可见,式(2)将趋同与 趋异有机地统一了起来.算法以趋同和趋异过程的有机结合来实现局部的开采与全局的探索进化功 能,算法实现步骤如下: 步骤1(初始化)令e_o,基于实数编码,确定种群规模忡,在可行域空间随机初始化种 群=(X,,,置∥一,),若搜索空间为D维,则每个个体,中包含了D个变量, 即置,=(fl,X.,…,,…,KiD,),J=