改进的引力搜索算法.docxVIP

改进的引力搜索算法 自20世纪80年代以来，越来越多的研究人员从自然界受益，使用自然规律模仿生物，并提出了一种新的优化算法。该算法能够将复杂求解过程简单化, 表现出智能特征, 因此被称为智能优化算法 万有引力搜索算法 (GSA) 是一种新型启发式优化算法, 由Rashedi等 然而, 像其他全局搜索算法一样, 万有引力搜索算法也存在一些缺点。国内外研究者对万有引力搜索算法的改进主要集中在加强该算法的局部搜索能力、提高种群的收敛速度和寻优精度等方面。金林鹏等 1 最优位置的定义 万有引力搜索算法的基本原理为:将探索区域中的粒子看成空间里运动的物体, 任意2个物体之间是相互吸引的, 并且物体会朝着质量大的物体移动, 质量大的物体占据最优位置。 在万有引力搜索算法中, 粒子通过位置的移动来寻找最优解。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, 便找到最优解, 即质量最大粒子的位置就是最优位置。设在一个D维搜索空间中包含n个粒子, 定义第i个物体的位置 式中:x t时刻在k维上粒子i所受的合力F 式中:ε表示一个很小的常量;M 式中:G 为了让万有引力搜索算法具有随机性的特点, 通常给第k维空间作用在粒子i上万有引力的合力设定一个[0, 1]内的随机数r 根据上述所求合力以及由牛顿第二定律可知, 粒子i在t时刻第k维空间上的加速度 万有引力搜索算法中引力质量和惯性质量可以根据适应度函数间接计算出来, 粒子的惯性质量越大, 则这个粒子所代表的优化问题的解越好。设定引力质量与惯性质量相等, 粒子i的引力质量和惯性质量分别为 式中:f 对于最大值问题求解, b (t) 和w (t) 分别定义如下: 在每一次的迭代更新过程中, 都将对粒子i进行速度和位置的更新, 其中粒子i在t时刻第k维上的速度及位置更新公式分别为 2 改进万有引力搜索算法 在生物学中, 小生境指特定环境中的一种组织结构, “物以类聚, 人以群分”就是它的一种自然现象。在小生境中, 同种生物之间既存在相互竞争, 又存在信息交换。自然界的小生境为新物种的形成提供了可能性, 是生物界保持近乎无限多样性的根本原因之一 Goldberg等 基于共享机制万有引力搜索算法的步骤如下所示: 步骤1初始化n个粒子, 将粒子随机地分布在解空间中, 并给每个粒子随机赋予一个初始速度。 步骤2计算n个粒子的适应值, 设置每个粒子的当前位置为最优位置, 然后找出初始群体中的最佳粒子。 步骤3确定小生境种群。 步骤4按万有引力搜索算法对小生境群体进行惯性质量、引力和加速度的更新, 利用共享函数调整适应值, 并惩罚其中个体浓度较大的小生境种群。 步骤5更新并保存每个粒子历史最好的适应值和历史最好的位置, 更新并保存全局最优值和全局最优位置。 步骤6当条件满足时结束搜索, 然后输出全局历史最优值和全局历史最优位置, 否则返回步骤4继续搜索。 3仿真实验与结果分析 3.1 标准试函数的测试 为了验证改进算法的有效性, 本文选取4个经典测试函数对万有引力搜索算法和改进万有引力搜索算法的优化性能进行测试。表1给出了这4个函数的定义式以及取值范围, 其中N是指函数的维数。 表1中, Y 3.2 引力算法与引力算法的比较 为了评估改进万有引力算法的性能, 将其与万有引力算法进行比较。为有效地减小随机干扰的影响, 2个算法采用相同的群体规模, n均设为100, 最大迭代次数也均设为100。 参数G 3.3 改进万有引力搜索算法的性能 为了验证本文提出的改进万有引力搜索算法的优化性能, 图1~4直观地给出了测试函数的优化性能比较曲线。从图中可以看出, 改进万有引力搜索算法获得的最优值更加接近最小值, 克服了万有引力搜索算法的搜索精度不高且容易出现早熟的问题。 表2给出了每个测试函数的平均值、标准差和最优值, 本文将依据此表的结果来比较并分析不同算法优化性能的差异。从实验得出的平均值来看, 改进万有引力搜索算法的优化精度更高;从标准差来看, 改进万有引力搜索算法的稳定性也更好。从表2可以看出, 改进万有引力搜索算法在优化精度上高于万有引力搜索算法。 4 改进万有引力搜索算法 本文介绍了万有引力搜索算法的原理, 并在此基础上进行了改进, 提出了改进万有引力搜索算法。给出了万有引力搜索算法寻优过程, 然后通过引入小生境技术中的共享机制对万有引力搜索算法进行改进。改进万有引力搜索算法保持了粒子的多样性, 扩大了搜索范围, 使算法的寻优精度得到进一步提高。最后, 通过4个测试函数对改进万有引力搜索算法优化能力进行测试, 和万有引力搜索算法相比, 无论是针对单峰函数还是多峰函数, 改进万有引力搜索算法都表现出了更好的优化精度, 这表明本文对万有引力搜索算法提出的改进取得了显著效果。