- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于引力搜索机制的花卉授粉算法
引用格式:肖辉辉、万常选、段英明、谭迪林;基于吸引力搜索机制的花授粉算法《自动学报》,2017,43(4):576-594。
英国剑桥大学学者Yang于2012年提出一种新型元启发式群智能优化算法—花朵授粉算法 (Flower pollination algorithm, FPA)
但是, 花朵授粉算法与经典的粒子群算法等群智能算法类似, 也存在易陷入局部极值, 后期收敛速度慢等不足, 尤其对于多局部极值、高维的较复杂优化问题.为此, 国内外不少学者对该算法进行了改进:Wang等
针对FPA算法的局限性, 本文提出基于引力机制的花朵授粉算法 (Flower pollination algorithm based on gravitational search, GSFPA) .在GSFPA算法中对基本FPA算法的全局寻优部分进行了改进:利用种群个体间的万有引力和花朵授粉算法本身的莱维飞行两种机制融合来共同更新花朵个体的位置, 有效地跳出局部极值, 提高全局搜索能力和收敛速度.通过三类共16个基准测试函数、6个复合复杂测试函数、2个工程实例的仿真实验结果, 验证了改进算法的有效性和优越性, GSFPA算法相比FPA算法在一定程度上有效地避免了过早收敛, 且提高了FPA算法的收敛速度、寻优精度、鲁棒性等性能.
1 花花植物花授粉算法
显花植物的授粉可分为异花授粉及自花授粉两种:异花授粉一般需要传播者, 如自然界的鸟、蜜蜂等, 能飞行到较远的地方, 且其飞行的行为具有莱维飞行特征, 即跳跃或飞行的步长服从莱维分布, 故异花授粉可以发生在距离较远的随机地方, 在FPA算法中模拟这种授粉方式为全局寻优 (授粉) .另外, 自花授粉是植物成熟的花粉颗粒传播到自身的花朵上, 在FPA算法中模拟这种授粉方式为局部寻优 (授粉) .同时, 在FPA算法中假设:优化问题中的一个解对应于一朵花的一个花粉配子, 每株显花植物只开一朵花, 且只有一个花粉配子.花朵授粉算法模拟自然界中显花植物花朵传粉过程, 还需假定如下规则
规则1.生物异花授粉是指携带其花粉的传播者 (鸟、蜜蜂等) 通过莱维飞行进行的全局授粉过程;
规则2.非生物自花授粉是指植物花朵的自身局部授粉过程;
规则3.繁衍概率指花的常性, 其值的大小与求解问题的两朵花的相似性成一定的比例关系;
规则4.全局授粉和局部授粉之间的转换受转换概率p∈[0, 1]控制, 因花朵会受到物理位置上的邻近性以及风等其他自然因素影响, 在算法中起着重要作用.
因此, 在花朵授粉算法中, 全局授粉 (优化) 和局部授粉 (优化) 两部分是花朵个体进化的核心, Yang等
其中, X
其中, λ=3/2, Γ (λ) 是标准的伽马函数, S由式 (3) 得到:
其中, 式中的σ
其中, ε是[0, 1]上服从均匀分布的随机数, x
算法1是花朵授粉算法的伪代码, 其中, n为花朵的个数, p为转换概率, N iter为最大迭代次数, ε是[0, 1]上服从均匀分布的随机数, f
算法1.FPA
花朵授粉算法中, 转换概率p在平衡全局和局部寻优中起着重要作用, 文献[10]经过仿真实验验证, 当p=0.2时, 算法的全局寻优和局部寻优之间的转换达到最佳状态, 算法的性能最优.
2 基于吸引力搜索策略的花卉授粉算法
2.1 引力搜索算法的描述
2009年, 伊朗的克曼大学教授Esmat Rashedi等根据牛顿万有引力定律提出了引力搜索算法 (Gravitational search algorithm, GSA) .该算法概念简单, 容易实现且需要调整的参数少, 已有学者证明其收敛性优于PSO (Particle swarm optimization) 、GA (Genetic algorithm) 等其他智能算法
引力搜索算法中, 描述个体的主要属性有位置、惯性质量、主动引力质量和被动引力质量.个体的位置为优化问题的解, 函数适应度值由其受到的作用力和质量决定, 也就是说惯性质量、主动引力质量和被动引力质量3个属性由适应度函数确定, 算法的迭代过程中通过适当调整个体的惯性质量、主动引力质量和被动引力质量来指导个体的进化, 直到所有个体都受到最重个体的引力作用而靠近其位置, 从而找到最优解 (惯性质量最大的个体) .
根据文献[11], 引力搜索算法中先随机生成个体的初始位置和初始速度, 假设种群有n个个体, 在D维的搜索空间以一定的速度进行移动, 则第i个个体的位置为
其中, x
根据牛顿万有引力定律, 在第t时刻的第k维空间上, 个体i和个体j的作用力定义为
其中, M
其中, N iter为最大迭代次数;G
另外, R
个体i的惯性质量M
其中, fitness
当求解目
文档评论(0)