一种改进的原子搜索算法-附代码

一种改进的原子搜索算法

文章目录

• 一种改进的原子搜索算法

• 1.原子搜索算法
• 2. 改进原子搜索算法

• 2.1 引入新的共价键约束力
• 2.2 自适应调整系数因子
• 2.3高斯变异策略

• 3.实验结果
• 4.参考文献
• 5.Matlab代码
• 6.Python代码

摘要：原子搜索算法（Atom Search Algorithm，ASO）是模仿自然界中原子运动而提出的一种新型优化算法，针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题，提出了一种改进ASO算法（Improved Atomic Search Algorithm，IASO）。IASO加入了原子个体历史最优解产生的约束力来修正ASO的加速度，增强全局搜索能力。自适应更新两个乘数系数来协调算法的全局搜索和局部开发能力。适时采用高斯变异策略来重新更新原子位置，提高跳出早熟的能力。

1.原子搜索算法

2. 改进原子搜索算法

2.1 引入新的共价键约束力

ASO 每次迭代中种群最佳原子对周围 原子存在一个共价键约束力 $G_{i}^{d}$, 由式 (10) 可知它是种群最佳原子位置与当前原子位 置的差值, 这种机制提高了全局最优信息对 当前原子的引导作用, 加强了原子个体之间 的协同合作。为了更好的更新原子加速度方 向, 本文引入原子对自身的认知, 加入原子 个体历史最优解-单个原子在历次迭代中的 最佳位置叫原子个体历史最优解。在每一 次迭代中的个体原子位置都与原子个体历 史最优位置进行比较, 如果当前个体原子位 置优于它的个体历史最优位置, 则把当前个 体原子位置更新为个体历史最优位置, 相反, 则不更新。假设每个原子个体在迭代中产生 的个体历史最优解对周围原子也存在一个 共价键约束力, 因此原子的加速度受种群最 佳原子产生的共价键约束力和个体历史最 优原子产生的共价键约束力共同影响。原子可以利用种群信息和自身经验, 通过信息融 合更新加速度, 提高了算法的全局探索能力。 原子个体历史最优解产生的共价键约束力 定义为 $P_{i}^{d}$, 其表达式如下(14)所示:
$P_{i}^{d}=\lambda e^{\frac{-20 t}{T}}\left(x_{p}^{d}(t)-x_{i}^{d}(t)\right) \tag{14}$
其中 $\lambda$ 是系数因子, $x_{p}{ }^{d}$ 代表第 $t$ 次迭代 中原子 $i$

2.2 自适应调整系数因子

引入原子个体历史最优解产生的共价 键约束力 $P_{i}^{d}$ 之后, 原子加速度 $a_{i}^{d}$ 的公式更 新为如下(15)所示:
$a_{i}=\frac{F_{i}{ }^{d}+G_{i}{ }^{d}+P_{i}^{d}}{m_{i}}$
$=-\alpha\left(1-\frac{\mathrm{t}-1}{\mathrm{~T}}\right)^{3} e^{-\frac{20 t}{T}} \sum_{j \in K_{\text {ben }}} \frac{\operatorname{rand}_{j}\left[2\left(h_{i j}(t)\right)^{13}-\left(h_{i j}(t)\right)^{7}\right]}{m_{i}}$

$+\beta e^{\frac{-20 t}{T}} \frac{\left(x_{\text {best }}^{d}(t)-x_{i}^{d}(t)\right)}{m_{i}}+\lambda e^{\frac{-20 t}{T}} \frac{\left(x_{p}^{d}(t)-x_{i}^{d}(t)\right)}{m_{i}}$

其中 $\beta$ 和 $\lambda$ 都是超参数, 对算法的寻优 速度和优化结果有着重要的影响, 可以看出 $\beta$ 代表了原子向全局历史最优解运动能力的 权重, $\lambda$ 代表了原子对自己的认可程度。这 两个参数反映了对种群信息和个体信息的 接受程度, 不同阶段需要设置不同大小。在 算法搜索初期, 为了增强原子的全局搜索能 力, 让 $\lambda$ 取较大的值, $\beta$ 取较小的值, 这样 可以使原子在整个可行空间进行搜索。在搜 索后期, $\lambda$ 取较小的值, $\beta$ 取较大的值, 可 以使原子快速收敛于最优值。所以随着迭代 次数的增加, $\lambda$ 逐渐变大, $\beta$ 逐渐变小, 基 于此本文对两个参数采取自适应更新策略, 平衡全局信息与局部信息, 提高信息利用率。 $\beta$ 和 $\lambda$

$\beta=\beta_{\text {max }}+\left(\beta_{\text {min }}-\beta_{\text {max }}\right) \times \frac{T-t}{T-1}$
$\lambda=\lambda_{\text {min }}+\left(\lambda_{\text {max }}-\lambda_{\text {min }}\right) \times \frac{T-t}{T-1}$

其中 $\beta_{\text {min }}, \lambda_{\text {min }}$ 分别为参数的最小值; $\beta_{\text {max }}$,$\lambda_{\max }$ 为最大值。可知 $\beta$ 和 $\lambda$ 都在 $[0.1]$

2.3高斯变异策略

$\mathrm{ASO}$ 优化算法在更新原子全局最优位 置的过程中, 原子通常会表现出早熟的现象, 整个原子种群进入搜索停滞, 陷入局部极值。 为了加快原子的收玫速度, 提高原子跳出早 熟的能力, 将高斯变异策略 ${ }^{[18]}$ 引入 IASO 算 法的原子位置更新中, 加入高斯变异因子对 原子位置进行扰动, 使之产生新的位置继续 进行更新。在对原子位置进行高斯变异之前, 首先进行变异系数判断, 变异系数是衡量一 组数据离散程度的一个归一化量度, 变异系 数的定义为如下(17)所示:
$c_{v}=\frac{\delta}{\mu}$
其中 $c_{v}$ 是变异系数; $\delta$ 是标准差; $\mu$

IASO 算法提前设置一个变异系数阈值 $c_{s t d}$, 为了保持算法的效率, 变异系数不宜过 大, 本文设置 $c_{s t d}=0.1$, 算法前期迭代收敛 性一般较好, 迭代中后期易陷入局部最优解, 在算法进行 $T / 5$ 次迭代之后, 再根据变异系 数适时采用高斯变异。对相邻三次的迭代结 果求取高斯变异系数 $s t d Y(t)$, 其求解公式如 下(18)所示：
$\operatorname{std} Y(t)=\frac{\sqrt{\sum_{i=1-2}^{\prime}\left(y_{\text {best }}^{i}-\text { mean } Y(t)\right)^{2}}}{\operatorname{mean} Y(t)}$
其中 $t$ 是当前迭代次数, $y_{b e s t}^{i}$ 是第 $i$ 次 迭代的最优解, mean $Y(t)$ 是三次迭代结果 $y_{\text {best }}$ 的平均值, 其定义如下(19)所示:
$\operatorname{mean} Y(t)=\frac{\sum_{i=t-1}^{i} y_{b e s}^{i}}{3}$
如果 $\operatorname{std} Y(t)>c s t d$, 说明每次迭代的最优 解 $y_{\text {best }}$ 变化较大, 算法的收玫性仍然较好, 此时对原子位置更新不采用高斯扰动, 如果 $s t d Y(t)<c s t d$, 则说明迭代结果 $y_{\text {best }}$ 变化不大, 算法陷入了局部停滞, 此时对原子的位置进 行高斯变异扰动更新, 提高原子的多样性, 跳出局部极值。加入高斯变异后的原子位置 更新公式如下（20）所示:
$\overline{x_{i}^{d}(t)}=r_{i} \otimes x_{i}^{d}(t)+\text { Gaussian } \otimes\left(\quad x_{best}^{d}(t)-x_{i}^{d}(t))\right.$
$(20)$
其中 $r_{i}$ 为服从 0-1 之间均匀分布的随机 数; Gaussian $N(0,1), x_{i}^{d}(t)$ 是第 $t$ 次迭代原 子位置, $\overline{x_{i}^{d}(t)}$

3.实验结果

4.参考文献

[1]李建锋,卢迪,李贺香.一种改进的原子搜索算法[J/OL].系统仿真学报:1-13[2021-05-06].http://kns.cnki.net/kcms/detail/11.3092.V.20210409.1508.008.html.

5.Matlab代码

6.Python代码