【智能算法】流向算法(FDA)原理及实现

2024-03-28 10:20

本文主要是介绍【智能算法】流向算法(FDA)原理及实现,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!

在这里插入图片描述

目录

    • 1.背景
    • 2.算法原理
      • 2.1算法思想
      • 2.2算法过程
    • 3.结果展示
    • 4.参考文献


1.背景

2021年,H Karami等人受到水流运动规律启发,提出了流向算法(Flow Direction Algorithm, FDA)。

2.算法原理

2.1算法思想

FDA受到了流入排水池的水流的启发,模拟了水流朝向排水池最低高度出口的方向流动 (水往低处流~)。首先创建一个初始种群在排水池即问题的搜索空间中,然后考虑了邻近水流及其坡度对水流的影响,最后使水流流向海拔较低的位置,也就是排水池的最低海拔出口点(适应度值度量)。
在这里插入图片描述

2.2算法过程

创建水流领域

FDA 假设每个水流附近存在 β 个邻域,则第i个水流的第j个邻居位置为:
N ( j ) = F ( i ) + R N × Δ (1) N\left(j\right)=F\left(i\right)+R_{\mathbb{N}}\times\Delta \tag{1} N(j)=F(i)+RN×Δ(1)
其中,RN是均值为0,标准差为1的正态分布随机数;Δ 是用来控制算法搜索空间大小的控制参数,其值越小算法搜索范围越小,反之搜索空间越大.Δ的值从一个较大值线性减小到较小值,并朝向随机位置以增加多样性,表述为:
Δ = [ R × X r a n d − R × F ( i ) ] × ∥ X b e s t − F ( i ) ∥ × W (2) \begin{aligned}\Delta&=\bigl[R\times X_{\mathrm{rand}}-R\times F(i)\bigr]\times\left\|X_{\mathrm{best}}-F(i)\right\|\times W\end{aligned}\tag{2} Δ=[R×XrandR×F(i)]×XbestF(i)×W(2)
其中,Xrand为随机水流位置,Xbest为当代最优水流位置,W为非线性权重:
W = ( 1 − τ τ max ⁡ ) 2 × R N × ( R u × τ τ max ⁡ ) × R u (3) W=\left(1-\frac{\tau}{\tau_{\max}}\right)^{2\times R_{N}}\times\left(R_{\mathrm{u}}\times\frac{\tau}{\tau_{\max}}\right)\times R_{\mathrm{u}}\tag{3} W=(1τmaxτ)2×RN×(Ru×τmaxτ)×Ru(3)
其中,τ 和 τmax分别为当前迭代次数和最大迭代次数,Ru为均匀分布的随机向量。
更新水流位置
FDA算法中水流流向海拔最低的方向,若最优邻居N(k)的适应度fN(k)小于当前水流的适应度fF(i),则当前水流流向该邻居,此时新的水流位置为:
F n e w ( i ) = F ( i ) + v F ( i ) − N ( k ) ∥ F ( i ) − N ( k ) ∥ (4) \boldsymbol{F}_{\mathrm{new}}(i)=\boldsymbol{F}(i)+v\frac{\boldsymbol{F}(i)-\boldsymbol{N}(k)}{\left\Vert\boldsymbol{F}(i)-\boldsymbol{N}(k)\right\Vert}\tag{4} Fnew(i)=F(i)+vF(i)N(k)F(i)N(k)(4)
其中,k为最优邻居的序号;v为水流速度,与坡度直接相关:
v = R N × S 0 ( i , k , D ) (5) v=R_\text{N}\times S_0(i,k,D)\tag{5} v=RN×S0(i,k,D)(5)
其中,S0(i,k,D)为最优邻居N(k)和水流F(i)位置之间的斜率为:
S 0 ( i , k , D ) = f F ( i ) − f N ( k ) ∥ F ( i , d ) − N ( k , d ) ∥ (6) S_0(i,k,D)=\frac{f_{\boldsymbol{F}(i)}-f_{\boldsymbol{N}(k)}}{\left\|F(i,d)-N(k,d)\right\|}\tag{6} S0(i,k,D)=F(i,d)N(k,d)fF(i)fN(k)(6)
如果随机水流的适应度优于当前水流的适应度,那么当前水流将沿着随机水流的方向流动。
F n e w ( i ) = F ( i ) + R N × [ F ( r ) − F ( i ) ] (7) \boldsymbol{F}_{\mathrm{new}}(i)=\boldsymbol{F}(i)+R_{\mathrm{N}}\times\left[\boldsymbol{F}(r)-\boldsymbol{F}(i)\right]\tag{7} Fnew(i)=F(i)+RN×[F(r)F(i)](7)
如果当前水流的适应度优于其最优邻居的适应度,根据适应度值来决定当前水流是沿着该随机水流的方向移动,还是沿着最优水流的方向移动。
F n e w ( i ) = F ( i ) + 2 R N × [ X b e s t − F ( i ) ] (8) \boldsymbol{F}_\mathrm{new}(i)=\boldsymbol{F}(i)+2R_\mathrm{N}\times\left[\boldsymbol{X}_\mathrm{best}-\boldsymbol{F}(i)\right]\tag{8} Fnew(i)=F(i)+2RN×[XbestF(i)](8)

流程图
在这里插入图片描述

3.结果展示

在这里插入图片描述

4.参考文献

[1] Karami H, Anaraki M V, Farzin S, et al. Flow direction algorithm (FDA): a novel optimization approach for solving optimization problems[J]. Computers & Industrial Engineering, 2021, 156: 107224.

这篇关于【智能算法】流向算法(FDA)原理及实现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!



http://www.chinasem.cn/article/855350

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

hdu4407(容斥原理)

题意:给一串数字1,2,......n,两个操作:1、修改第k个数字,2、查询区间[l,r]中与n互质的数之和。 解题思路:咱一看,像线段树,但是如果用线段树做,那么每个区间一定要记录所有的素因子,这样会超内存。然后我就做不来了。后来看了题解,原来是用容斥原理来做的。还记得这道题目吗?求区间[1,r]中与p互质的数的个数,如果不会的话就先去做那题吧。现在这题是求区间[l,r]中与n互质的数的和