万有引力搜索算法.pptVIP

5.2 比较PSO与RGA;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最优解，即随着算法的循环，粒子靠 它们之间的万有引力在搜索空间内不断运动，当粒子移动 到最优位置时，最优解便找到了。 ;Ⅰ. 启发式算法回顾 Ⅱ. 万有引力定律 Ⅲ. 引力搜索算法（GSA） Ⅳ. 比较研究 Ⅴ. 实验结果 Ⅵ. 引力搜索算法的研究展望; Heuristic是希腊语，意为“启发式”。启发式是寻找 好的（近似最佳）解的技术。对于那些受大自然的运行规律 或者面向具体问题的经验、规则启发出来的方法，人们常常 称为启发式算法。启发式算法是相对于最优化算法提出的。 很多实际的最优化问题的计算是复杂的。因此，解决这样问 题的实际方法是运用启发式算法，这样可以在合理的计算时 间内找到一个近似最优解。 启发式算法可以这样定义：一个基于直观或经验构造的算法， 在可接受的花费（计算时间和空间）下给出解决组合优化问 题每一个实例的一个可行解该可行解与最优解的偏离程度一 般不能被预计。;启发式算法模拟物理或生物过程，例如一些著名的算法，遗传算法（GA）、模拟退火算法（SA）、蚁群算法（ACO） 粒子群优化算法（PSO）和细菌觅食算法（BFA）。 GA灵感来自于达尔文进化论；SA利用热力作用设计；ACO模拟蚂蚁觅食行为；BFA来自于搜索和最佳觅食细菌；PSO 模拟鸟群的行为。 上述提到的启发式算法都是随机行为。然而，Formato提出了基于引力运动的确定性的启发式搜索算法，中心引力优化（CFO）。 中心引力优化算法是根据物理运动学的模型建立的一个新型的优化算法，通过初始化若干随机质点，进行迭代，直至找到最优解。;在一些随机算法中，像模拟退火算法（SA）搜索开始于 一个单一的初始点，并且以一个连续的方式继续。然而， 大多数启发式搜索算法用多个初始点以并行方式搜索。 例如，群为基础的算法使用类似于自然的鸟群或者鱼群 的一系列代理。 在一个以群为基础的算法，每一个体施行一系列的特殊运算， 并且分享这些信息给其他个体。这些操作大部分很简单，然 而它们的集体效应，称为群体智能，会产生令人惊讶的结果。 代理之间的局部相互作用提供了一个全局结果，它允许系统 解决问题不需要应用任何的中央控制器。这种情况下，个体 操作包括随机搜索、正反馈、负反馈和多元相互作用，进行 自组织。群体智能指许多简单个体通过相互合作产生复杂智 能行为的特性。 ;;;Ⅱ. 万有引力定律 万有引力定律是Newton于1687年在《自然哲学的数学原理》 上提出的，万有引力定律解释物体之间相互作用关系的定律， 是物体间由于它们的引力质量而引起的相互吸引力所遵循的 规律。自然界中任何两个物体都是相互吸引的，万有引力普 遍存在于任意两个有质量的物体之间。万有引力定律表示如下： 自然界中任何两个物体都是相互吸引的，引力的大小和这两个 物体的质量的乘积成正比，和它们之间距离平方成反比。 数学表达式为： ;牛顿第二定律：当一个力F作用在一个质子上，它的加速度;理论物理学中定义三种质量： 主动引力质量， ;考虑到以上提到的三种质量定义，我们重新定义牛顿定律。 万有引力Fij通过物体j作用在物体i，与j 的主动引力质量和 i 被动引力质量乘积成正比，与它们之间距离成反比。 ;;;Ⅲ.引力搜索算法（GSA） 受万有引力定律启发，提出了一种新型群体智能优化算法 —引力搜索算法。引力搜索算法在求解优化问题时，搜索 个体的位置和问题的解相对应，并且还要考虑个体质量。 个体质量用于评价个体的优劣，位置越好，质量越大。由于 引力的作用，个体之间相互吸引并且朝着质量较大的个体 方向移动，个体运动遵循牛顿第二定律。随着运动的不断 进行，最终整个群体都会聚集在质量最大个体的周围，从 而找到质量最大的个体，而质量最大个体占据最优位置。 因此，算法可以获得问题的最优解。 在GSA，每个代理有4个规格：位置，惯性质量，主动引力质 量和被动引力质量。每个个体的位置对应一个问题的解决方法， 它们的引力和惯性质量确定应用的适应度函数。换句话说，每 个个体呈现一个解决方法，并且算法通过适当的调节引力和 惯性质量。 ;;3.1 算法的模型 ;（1）计算质量;;;;;;;;;;;;;;;;表2，高维多峰测试函数; 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