本文主要是介绍智能优化算法:共生生物搜索算法 - 附代码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
智能优化算法:共生生物搜索算法
文章目录
- 智能优化算法:共生生物搜索算法
- 1.SOS算法原理
- 1.1 互利阶段
- 1.2 共栖阶段
- 1.3 寄生阶段
- 2.实验结果
- 3.参考文献
- 4.Matlab代码
- 5.python代码
摘要:共生生物搜索算法(Symbiotic Organisms Search, SOS)于2014年,提出的一种基于生物学中共生现象的启发式搜索算法。该算法具有控制参数少、操作简单、容易实现、稳定性好且优化能力强的特点。
1.SOS算法原理
SOS 模拟了自然界中的个体间交互行为 。共生指两种或多种不同生物物种之间的长期相互作用,可以是两个个体完全依赖,也可以是个体有选择地生活在一起使彼此都能获益,或是某个体寄生于另一个体中。SOS 算法主要分为互利阶段、共栖阶段和寄生阶段,其基本原理为:
1.1 互利阶段
个体 X i X_i Xi被认为是生态系统的第 i i i 个成员。另一个体 X j X_j Xj从生态系统中随机选择以用来和 X i X_i Xi交互。在生态系统中,两个个体都保持着交互关系。 X i X_i Xi和 X j X_j Xj在交互后的更新公式分别由(1)和(2)表示,其中互利向量 R M V R_{MV} RMV的表达式如式(3)所示:
X i n e w = X i + r a n d ( 0 , 1 ) ∗ ( X b e s t − R M V ∗ b f 1 ) (1) X_i^{new}=X_i +rand(0,1)*(X_{best}-R_{MV}*bf_1)\tag{1} Xinew=Xi+rand(0,1)∗(Xbest−RMV∗bf1)(1)
X j n e w = X j + r a n d ( 0 , 1 ) ∗ ( X b e s t − R M V ∗ b f 2 ) (2) X_j^{new}=X_j +rand(0,1)*(X_{best}-R_{MV}*bf_2)\tag{2} Xjnew=Xj+rand(0,1)∗(Xbest−RMV∗bf2)(2)
R M V = ( X i + X j ) / 2 (3) R_{MV}=(X_i+X_j)/2\tag{3} RMV=(Xi+Xj)/2(3)
式中, R M V R_{MV} RMV代表了 X i X_i Xi和 X j X_j Xj的交互关系; r a n d ( 0 , 1 ) rand(0,1) rand(0,1)是[0,1]间的随机数; X b e s t X_{best} Xbest为最优个体; b f 1 bf_1 bf1和 b f 2 bf_2 bf2为利益因子,代表着个体从相互关系中获得的利益水平。 b f 1 bf_1 bf1和 b f 2 bf_2 bf2的值可以随机选择为 1 或 2,表示可能得到部分受益或完全受益。
1.2 共栖阶段
指从生态系统中随机选择一个单独的 X j X_j Xj与 X i X_i Xi交互,这种交互使得 X i X_i Xi受益,而 X j X_j Xj既不受益也不受到伤害。由这种相互作用产生的新个体则用式(4)所描述:
X i n e w = X i + r a n d ( − 1 , 1 ) ∗ ( X b e s t − X j ) (4) X_i^{new}=X_i+rand(-1,1)*(X_{best}-X_j)\tag{4} Xinew=Xi+rand(−1,1)∗(Xbest−Xj)(4)
其中, X b e s t − X j X_{best}-X_j Xbest−Xj表示 X j X_j Xj对 X i X_i Xi提供的好处,即 X j X_j Xj帮助 X i X_i Xi提高对生态系统的适应程度。
1.3 寄生阶段
从生态系统中选取 X i X_i Xi作为寄生向量,利用随机向量对自身进行复制和修改,生成变异载体 R P V R_{PV} RPV。如果变异载体比宿主 X i X_i Xi具有更好的适应值,它可能会破坏宿主并将其替代,若相反则说明宿主对变异载体具有免疫性从而被保留下来,变异载体被淘汰,具体如式(5)和(6)所示:
R P V = X i (5) R_{PV}=X_i \tag{5} RPV=Xi(5)
R P V ( p i c k ) = r a n d ( 1 , l e n g t h ( p i c k ) ) ∗ ( u b ( p i c k ) − l b ( p i c k ) ) + l b ( p i c k ) (6) R_{PV}(pick) = rand(1,length(pick))*(ub(pick)-lb(pick))+lb(pick)\tag{6} RPV(pick)=rand(1,length(pick))∗(ub(pick)−lb(pick))+lb(pick)(6)
其中: pick 为变异体, ub 为搜索上界, lb 为搜索下界
算法步骤
step1.设置参数,初始化种群
step2.计算适应度值,更新最优位置
step3.种群整体进行互利阶段更新
step4.种群整体进行共栖阶段更新
step5.种群整体进行寄生操作
step6.计算适应度值
step7.判断是否满足停止条件,如果满足则输出最优值,否则重复执行step2-7。
2.实验结果
3.参考文献
[1]贾鹤鸣,李瑶,姜子超,孙康健.基于改进共生生物搜索算法的林火图像多阈值分割[J/OL].计算机应用:1-9[2021-01-25].http://kns.cnki.net/kcms/detail/51.1307.TP.20201209.1623.022.html.
[1] CHENG M Y, PRAYOGO D. Symbiotic Organisms Search: A new metaheuristic optimization algorithm [J]. Computers & Structures, 2014, 139: 98-112.
4.Matlab代码
算法相关应用
名称 | 说明或者参考文献 |
---|---|
基于共生生物算法的无线传感器网(WSN)覆盖优化 | https://blog.csdn.net/u011835903/article/details/109262039(原理一样,只是优化算法用共生生物算法) |
基于共生生物算法的3D无线传感器网(WSN)覆盖优化 | https://blog.csdn.net/u011835903/article/details/113834323(原理一样,只是优化算法用共生生物算法) |
5.python代码
个人资料介绍
这篇关于智能优化算法:共生生物搜索算法 - 附代码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!