基本引力搜索算法.docVIP

基本引力搜索算法 基本模拟退火算法概述 引力搜索算法(gravitational search algorithm，GSA)在万有引力定律和粒子间相互吸引的现象的基础上而被提出来的在这个算法中,根据牛顿引力定律和牛顿第二运动定律,搜索代理由于彼此之间相互吸引而向一起聚集实验结果表明,引力搜索算法在解决各种非线性函数具有很高的优越性。 具体介绍参见压缩包中的《基于引力搜索算法的改进及应用研究》。 1、算法原理 具体介绍参见压缩包中的《基于引力搜索算法的改进及应用研究》。 2、算法步骤 基本GSA算法的基本步骤如下： Step 1 初始化。设定种群大小N，引力常数初值G0，引力变化系数?，最终作用粒子个数FinalPer和最大迭代次数T。 Step 2 随机生成初始种群。对种群进行适应度评估，得到全局最优解的初值。 Step 3 进入循环。若迭代次数tT，继续，否则退出循环。 Step 3.1 计算个体质量。找出种群中的最好、最差个体适应值fmin和fmax，按照下式进行个体质量计算： Step 3.2 计算引力常数： Step 3.3 计算作用力 其中：，上标d表示个体的第d个分量。 合力为： Step 3.4 计算加速度 Step 3.5 个体速度更新 Step 3.6 位置更新 转Step 3 3、算法的matlab实现 见程序 4、算法举例 采用GSA算法求取Sphere Mode函数的最小值。 1) 基本测试 在matlab命令窗口输入： [xm,fv]=GSA(@fitness,50,10,20,2,500,30) 得到如下收敛曲线 2) 参数对算法性能的影响 在matlab命令窗口输入： [xm,fv] = GSA(@fitness,50,100,20,2,500,30) [xm,fv] = GSA(@fitness,50,10,20,2,500,30) [xm,fv] = GSA(@fitness,50,1,20,2,500,30) 将上面求得的结果列表比较如下： G0 1 10 100 x1 0.279805878 2.64E-11 -7.02E-10 x2 0.265708079 1.39E-10 -1.69E-10 x3 0-2.09E-11 -5.16E-10 x4 0.258954758 1.59E-11 -8.37E-11 x5 0.228281757 -1.11E-10 1.02E-09 x6 0.333883846 -8.35E-11 -2.09E-09 x7 0.259135043 5.27E-11 1.15E-09 x8 0.265843763 1.16E-10 -2.13E-09 x9 0.278106259 -1.23E-10 1.04E-09 x10 0.212221567 5.30E-13 -1.47E-09 x11 0.120337934 8.80E-11 -3.58E-10 x12 0.368783116 1.78E-11 -2.16E-09 x13 0.194835691 -1.95E-11 -1.16E-09 x14 0.211727202 -9.77E-11 8.40E-10 x15 0.279651947 -1.01E-10 1.28E-09 x16 0.220212551 5.23E-11 -1.89E-09 x17 0.328273563 6.48E-11 -6.89E-11 x18 0.341470729 -1.06E-10 1.33E-09 x19 0.201882237 -1.63E-11 -2.07E-09 x20 0.372200484 7.70E-11 -1.52E-10 x21 0.201051007 1.25E-10 -3.11E-10 x22 0.340546987 4.91E-12 -6.92E-10 x23 0.329977575 -1.15E-10 -1.12E-09 x24 0.279125281 -2.96E-11 1.33E-09 x25 0.311680453 -4.74E-11 -2.91E-09 x26 0.198306689 1.11E-10 6.08E-10 x27 0.226083865 -1.03E-10 -1.19E-09 x28 0.282597541 -2.26E-11 1.51E-09 x29 0-1.66E-11 -2.89E-09 x30 0.264030816 -1.14E-11 -1.42E-09 f(x) 2.206654192 2.53E-19 6.32E-17 可见G0的选取会影响算法的寻优效果，具体如何选取需要根据具体问题进行尝试。 在matlab命令窗口