基于模拟退火机制多种群萤火虫算法.docVIP

基于模拟退火机制多种群萤火虫算法 　　摘要 针对传统萤火虫算法（FA中存在的过早收敛和易陷入局部最优解等问题，提出了一种基于模拟退火机制的多种群萤火虫算法（MFA_SA：将萤火虫种群平均分为参数不同的多个子种群。为了防止算法陷入局部最优解，利用模拟退火机制大概率接受较好的解，小概率接受较差的解。同时，在种群寻优的过程中引入可变的距离权重，通过萤火虫算法的迭代次数动态调整萤火虫的“视野”范围。利用5个标准测试函数对该算法进行了对比仿真测试，结果表明，该算法在4个测试函数中均能寻找到全局最优解，并且在最优值、平均值、方差等指标上均比对比算法高出多个数量级，验证了新算法的有效性。 　　关键词 萤火虫算法；模拟退火机制；多种群；距离权重 　　中图分类号 TP183 　　文献标志码 A 　　0引言 　　在实际工程中的优化函数问题具有大规模性、非线性等复杂特征，并且具有多个局部极值点。传统的优化算法，如：爬山算法、牛顿迭代法等，针对此类问题难以得到较好的结果。目前，群智能算法已较广泛应用于工程实践，并成为求解工程优化问题的研究趋势。 　　萤火虫算法（Firefly Algorithm， FA是近年来较流行的群智能算法，该算法是由剑桥学者Yang[1]于2008年提出的。萤火虫算法本质上是一种启发式搜索算法。它是模仿了自然界的萤火虫个体，将萤火虫搜索和优化过程模拟成萤火虫个体的吸引和位置更新的过程。首先萤火虫以随机搜索的方式搜索空间寻找初始值，而后萤火虫按照自身“视野”范围寻觅比自身荧光亮度更高的萤火虫个体，并进行位置进化，迭代进行萤火虫群体位置更新以获得最终解。由于该算法具有结构简单、需要调整参数少，同时具有较好的寻优搜索能力的优点，因此已引起国内外学者的关注，并广泛应用于软件测试[2]、数据库查询优化[3]、Jobshop调度问题[4]、组合问题[5-6]、网络可靠性分析[7]、置换流水线问题[8]等多个领域。但是，在传统的萤火虫算法中有两个明显的缺点：一是算法运行过程中过早收敛；二是算法易陷入局部极值点。目前针对萤火虫算法的寻优性能的优化，国内外的研究还处于初期阶段，其中由Gandomi等[9]提出结合混沌优化的方法能较为有效地提高萤火虫算法的全局寻优能力，取得了一定成果。国内也有学者对萤火虫算法的寻优性能进行了改进。如：文献[10]提出一种基于多种群学习机制的萤火虫算法（MultiGroup Firefly Algorithm， MFA，通过将萤火虫种群平均分为多个子种群来增强萤火虫算法的多样性，避免萤火虫算法发生“早熟”的状态。这样虽然增强了萤火虫算法的搜索空间与多样性；但是，如果多个子种群收敛到一起时，同时陷入局部最优解，则多种群的学习机制将会失效，陷入局部最优解。文献[11]在萤火虫初始化引入混沌序列，提出了一种基于混沌理论的动态种群萤火虫算法（Chaosbased Dynamic Population Firefly Algorithm， CDPFA，增强了传统算法中萤火虫种群全局搜索的多样性，减少寻优过程中过早陷入局部最优解的可能，提高算法的收敛性能；但是，随着函数复杂性的增加，CDPFA的迭代次数也增加，收敛时间也增加。文献[12]提出了一种新型的进化模式的改进萤火虫算法（Improved Evolutionism Firefly Algorithm， IEFA，增强了最优的萤火虫个体对其他萤火虫的牵引作用，有效地避免了传统算法中萤火虫陷入局部最优解的困境；但是，随着函数复杂性的增强，该算法的寻优效率会受到影响。 　　鉴于此，本文提出了一种基于模拟退火机制的萤火虫算法（Multigroup Firefly Algorithm based on Simulated Annealing mechanism， MFA_SA。仿真实验结果表明，改良后的萤火虫算法能有效地避免算法过早陷入局部最优值，具有更好的寻优能力。 　　1萤火虫算法 　　萤火虫算法模拟了自然界中萤火虫的发光行为来寻找食物，是一种随机优化算法，算法中舍弃了萤火虫本身所特有的生物学特性，而利用萤火虫的发光特性来搜索区域寻找同伴，并向区域内位置较优的萤火虫移动，从而实现位置进化。 　　在寻优过程中，萤火虫亮度和吸引度是萤火虫进化与位置进化的两个关键因素。其中，萤火虫的亮度取决于自身位置的优劣性，亮度越高说明萤火虫的位置越好。萤火虫的吸引度决定了萤火虫的移动方向，萤火虫的吸引度越大，则越容易吸引四周的萤火虫向着自身的位置靠近。但萤火虫的亮度和吸引度与萤火虫个体之间的距离成反比，都随着距离的增长而减小。通过吸引度与亮度的不断更新变化，从而使算法达到寻优的效果。从数学角度对萤火虫算法描述如下。 　　假设有m只萤火虫，搜索空间的维度为N维，那么第i