【单目标优化算法】樽海鞘群算法(Matlab代码实现)

本文涉及的产品
网络型负载均衡 NLB,每月750个小时 15LCU
应用型负载均衡 ALB,每月750个小时 15LCU
简介: 【单目标优化算法】樽海鞘群算法(Matlab代码实现)

💥 💥 💞 💞 欢迎来到本博客 ❤️ ❤️ 💥 💥



🏆 博主优势: 🌞 🌞 🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。



⛳ 座右铭:行百里者,半于九十。


📋 📋 📋 本文目录如下: 🎁 🎁 🎁

目录

💥1 概述

📚2 运行结果

🎉3 文献来源

🌈4 Matlab代码实现


💥1 概述

在过去的十年中,元启发式技术已经变得非常流行。这种流行是由于几个主要原因:灵活性、无梯度机制和这些算法的局部最优避免。前两个优点源于元启发式通过仅查看输入和输出来考虑和解决优化问题。换句话说,元启发式方法将优化问题假设为黑盒。因此,无需计算搜索空间的导数。这使得它们在解决各种问题方面具有高度的灵活性。由于元启发式属于随机优化技术家族,因此它们受益于随机运算符。这有助于他们在解决实际问题时避免局部解决方案,这些问题通常具有大量的局部最优。由于这些优点,元启发式的应用可以在科学和工业的不同分支中找到。


元启发式算法分为两大类:进化[1]和群体智能[2]技术。进化算法模仿自然界中的进化概念。此类中最好和最受推崇的算法是遗传算法(GA)[3]。该算法模拟了达尔文进化论的概念。在 GA 中,优化是通过针对特定问题的一组随机解决方案启动的。通过目标函数评估解后,根据解的适应度值修改解的变量。由于最好的个体更有可能参与改进其他解决方案,因此随机初始解决方案很可能得到改进。文献中还有其他几种进化算法,如差分进化(DE)[4],进化策略(ES)[5]和进化规划(EP)[6],[7]和基于生物地理学的优化(BBO)算法[8]。


群体智能技术模仿自然界中群体、牛群、学校或成群生物的智能。这些算法的主要基础源于一群生物的集体行为。例如,蚂蚁能够在没有集中控制单元的情况下共同保证蚁群的生存。换句话说,没有人告诉蚂蚁在哪里以及如何找到食物来源,但它们会合作在离巢穴很远的地方找到食物。此类中最受欢迎的两种算法是蚁群优化 (ACO) [9] 和粒子群优化 (PSO) [10]。ACO算法模仿蚂蚁的社会行为,以找到巢穴和源食物之间的最短路径。PSO算法模拟鸟类在导航和狩猎中的集体行为。文献中的其他群体智能技术包括:人工蜂群(ABC)算法[11],布谷鸟搜索(CS)算法[12],萤火虫算法(FA)[13],蝙蝠算法(BA)[14],灰狼优化器(GWO)[15],[16],[17],海豚回声定位(DE)[18],鲸鱼优化算法(WOA)[19],果蝇优化算法(FOA)[20]和和谐搜索[21],[22]。


无论进化和群体智能技术之间的差异如何,共同点是在优化过程中改进一个或一组解决方案。如果一种算法只改进了一个解决方案,它被称为个人主义算法。如果一组解决方案得到改进,则称为集体算法。个人主义算法是有益的,因为所需的函数评估数量少,并且整体优化过程简单。然而,局部最优停滞的概率非常高。集体算法能够更好地避免局部解决方案并交换有关搜索空间的信息。但是,此类技术需要更多的功能评估。一些个人主义算法是禁忌搜索(TS)[6],[23],爬山[24],迭代局部搜索(ILS)[25]和模拟退火(SA)[26],变量邻域搜索(VNS)[27]和引导局部搜索[28]。众所周知的集体算法是 GA、ACO、PSO、DE 和 ES。


尽管文献中提出的算法有其优点,但无免费午餐(NFL)[29]已经证明,这些算法都不能解决所有优化问题。换句话说,在解决所有优化问题时,所有元启发式方法的表现都相似。该定理揭示了新算法和特定算法在不同领域的重要性,因为算法在解决一组问题时的有效性并不能保证它在不同的测试问题集中取得成功。这就是本文的动机,首先提出了一种新的元启发式优化算法来解决单目标问题,然后扩展到多目标版本。本文的其余部分组织如下。


第二节回顾文献和相关著作。第2节介绍了所提出的灵感和数学模型。本节还提出了Salp Swarm算法(SSA)和多目标Salp Swarm算法(MSSA)。第3节介绍和讨论了两种算法在各种基准函数上的定性和定量结果。SSA和MSSA都被用来解决第4节中几个具有挑战性的实际问题。最后,第5节总结了这项工作,并提出了几个未来的研究方向。


本工作提出了两种新颖的优化算法,称为Salp Swarm算法(SSA)和多目标Salp Swarm算法(MSSA),用于解决具有单个和多个目标的优化问题。SSA和MSSA的主要灵感是在海洋中航行和觅食时鲈鱼的成群行为。这两种算法在几个数学优化函数上进行了测试,以观察并确认它们在寻找优化问题的最佳解决方案方面的有效行为。数学函数结果表明,SSA算法能够有效地改进初始随机解,并向最优收敛。MSSA结果表明,该算法能够在高收敛性和覆盖率下逼近帕累托最优解。本文还考虑使用SSA和MSSA解决几个具有挑战性且计算成本高昂的工程设计问题(例如翼型设计和船用螺旋桨设计)。真实案例研究的结果证明了所提出的算法在解决具有困难和未知搜索空间的实际问题方面的优点。


📚2 运行结果


ca76059a938a446aadf7523531835a4f.png


部分代码:

function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)
if size(ub,1)==1
ub=ones(dim,1)*ub;
lb=ones(dim,1)*lb;
end
Convergence_curve = zeros(1,Max_iter);
%Initialize the positions of salps
SalpPositions=initialization(N,dim,ub,lb);
FoodPosition=zeros(1,dim);
FoodFitness=inf;
%calculate the fitness of initial salps
for i=1:size(SalpPositions,1)
SalpFitness(1,i)=fobj(SalpPositions(i,:));
end
[sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);
for newindex=1:N
Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);
end
FoodPosition=Sorted_salps(1,:);
FoodFitness=sorted_salps_fitness(1);
%Main loop
l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps
while l<Max_iter+1
c1 = 2*exp(-(4*l/Max_iter)^2); % Eq. (3.2) in the paper
for i=1:size(SalpPositions,1)
SalpPositions= SalpPositions';
if i<=N/2
for j=1:1:dim
c2=rand();
c3=rand();
%%%%%%%%%%%%% % Eq. (3.1) in the paper %%%%%%%%%%%%%%
if c3<0.5
SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));
else
SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
end
elseif i>N/2 && i<N+1
point1=SalpPositions(:,i-1);
point2=SalpPositions(:,i);
SalpPositions(:,i)=(point2+point1)/2; % % Eq. (3.4) in the paper
end
SalpPositions= SalpPositions';
end
for i=1:size(SalpPositions,1)
Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;
SalpFitness(1,i)=fobj(SalpPositions(i,:));
if SalpFitness(1,i)<FoodFitness
FoodPosition=SalpPositions(i,:);
FoodFitness=SalpFitness(1,i);
end
end
Convergence_curve(l)=FoodFitness;
l = l + 1;
end


🎉3 文献来源

部分理论来源于网络,如有侵权请联系删除。

[1] S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili,

Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems

Advances in Engineering Software


🌈4 Matlab代码实现


相关实践学习
SLB负载均衡实践
本场景通过使用阿里云负载均衡 SLB 以及对负载均衡 SLB 后端服务器 ECS 的权重进行修改,快速解决服务器响应速度慢的问题
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
10天前
|
算法 数据安全/隐私保护 索引
OFDM系统PAPR算法的MATLAB仿真,对比SLM,PTS以及CAF,对比不同傅里叶变换长度
本项目展示了在MATLAB 2022a环境下,通过选择映射(SLM)与相位截断星座图(PTS)技术有效降低OFDM系统中PAPR的算法实现。包括无水印的算法运行效果预览、核心程序及详尽的中文注释,附带操作步骤视频,适合研究与教学使用。
|
15天前
|
算法
分享一些提高二叉树遍历算法效率的代码示例
这只是简单的示例代码,实际应用中可能还需要根据具体需求进行更多的优化和处理。你可以根据自己的需求对代码进行修改和扩展。
|
18天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
19天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
20天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
19天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
19天前
|
机器学习/深度学习 算法 5G
基于MIMO系统的SDR-AltMin混合预编码算法matlab性能仿真
基于MIMO系统的SDR-AltMin混合预编码算法通过结合半定松弛和交替最小化技术,优化大规模MIMO系统的预编码矩阵,提高信号质量。Matlab 2022a仿真结果显示,该算法能有效提升系统性能并降低计算复杂度。核心程序包括预编码和接收矩阵的设计,以及不同信噪比下的性能评估。
37 3
|
24天前
|
机器学习/深度学习 算法 调度
基于ACO蚁群优化的VRPSD问题求解matlab仿真,输出规划路径结果和满载率
基于ACO蚁群优化的VRPSD问题求解MATLAB仿真,输出ACO优化的收敛曲线、规划路径结果及每条路径的满载率。在MATLAB2022a版本中运行,展示了优化过程和最终路径规划结果。核心程序通过迭代搜索最优路径,更新信息素矩阵,确保找到满足客户需求且总行程成本最小的车辆调度方案。
|
25天前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
24天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA-PSO-SVM算法的混沌背景下微弱信号检测matlab仿真
本项目基于MATLAB 2022a,展示了SVM、PSO、GA-PSO-SVM在混沌背景下微弱信号检测中的性能对比。核心程序包含详细中文注释和操作步骤视频。GA-PSO-SVM算法通过遗传算法和粒子群优化算法优化SVM参数,提高信号检测的准确性和鲁棒性,尤其适用于低信噪比环境。
下一篇
无影云桌面