摘要:文章目录智能优化算法:头脑风暴优化算法1.算法原理1.1聚类1.2变异2.算法流程3.算法结果4.参考文献5.MATLAB代码摘要:头脑风暴优化算法(BrainStormingOptimizationalgorithm,BSO)是Shi在2011年第2次群体智能国际会议上提出的一种基于模拟人类创造性解决问题的过程的群体行为智能算法。,因其具有模型简单、收敛速
摘要:头脑风暴优化算法(Brain Storming Optimization algorithm, BSO)是Shi在2011年第2次群体智能国际会议上提出的一
种基于模拟人类创造性解决问题的过程的群体行为智能算法。,因其具有模型简单、收敛速度快、参数少等优点 ,已在工程优化 、模型识别等问题中得到较好的应用,很快得到了国内外学者的广泛关注,成为智能优化算法领域新的研究热点。
头脑风暴优化算法主要由聚类和变异组成。
1.1 聚类
聚类:BSO采用K-means聚类算法,将相似的个体聚成k类,并将人为设定的适应度函数值最优的个体作为聚类的中心。当然,为了避免陷入局部最优,将有概率随机产生一个新个体替换其中
一个聚类中心。
1.2 变异
BSO变异主要有4种方式,分别是:(a)在随机一个类中心,即该类最优个体上添加随机扰动产生新的个体;(b)在随机一个类中随机选择一个个体添加随机扰动产生新的个体;?随机融合两个类中心,并添加随机扰动产生新的个体;(d)随机融合两个类中随机的两个个体,并添加随机扰动产生新的个体。
上述4种方式每个聚类中心,即类中最优个体
被选中的概率为:
p
j
=
∣
M
j
∣
N
(1)
p_j = \frac{|M_j|}{N} ag{1}
pj?=N∣Mj?∣?(1)
其中,
∣
M
j
∣
|M_j|
∣Mj?∣代表 类中个体的数量。新个体产生公式为:
x
n
d
=
x
s
d
+
ξ
?
N
(
0
,
1
)
d
(2)
x_{nd}=x_{sd}+\xi *N(0,1)_d ag{2}
xnd?=xsd?+ξ?N(0,1)d?(2)
ξ = l g s i g ( ( 0.5 ? T ? t ) / k ) ? R ( 0 , 1 ) (3) \xi=lgsig((0.5*T-t)/k)*R(0,1) ag{3} ξ=lgsig((0.5?T?t)/k)?R(0,1)(3)
其中, x n d x_{nd} xnd?是新的 d d d维个体, x s d x_{sd} xsd?是选中的个体, T T T和 t t t分别表示设置的最大迭代次数和当前迭代次数, k k k可以调节 l g s i g ( . ) lgsig(.) lgsig(.) 函数的坡度, N ( 0 , 1 ) d N(0,1)_d N(0,1)d?是 d d d 维标准正态分布, R ( 0 , 1 ) R(0,1) R(0,1)是0 - 1的随机值。
算法采用聚类思想搜索局部最优,通过局部最优的比较得到全局最优;采用变异思想增加了算法的多样性,避免算法陷入局部最优,在这聚与散相辅相承的过程中搜索最优解,思想新颖,适合于解决多峰高维函数问题。
B
S
O
BSO
BSO算法步骤如下.
S
t
e
p
1
Step1
Step1:随机产生
N
N
N个个体.
S
t
e
p
2
Step2
Step2:计算个体适应度值.
S
t
e
p
3
Step3
Step3:用K-means聚类法将
N
N
N个个体分为
C
C
C个聚类,记录每个聚类的聚类中心.
S
t
e
p
4
Step4
Step4:产生随机数
r
1
∈
(
0
,
1
)
r_1∈(0,1)
r1?∈(0,1),如果
r
1
<
P
1
r_1<P_1
r1?<P1? ,则随机选择一个聚类中心,并用随机生成的个体替换它.
S
t
e
p
5
Step5
Step5:更新个体.
S
t
e
p
5.1
Step5.1
Step5.1:产生随机数
r
2
∈
(
0
,
1
)
r_2 ∈ (0,1)
r2?∈(0,1).
S
t
e
p
5.2
Step5.2
Step5.2:如果
r
2
<
P
2
r_2 < P_2
r2?<P2? ,则随机选择一个概率为
P
i
P_i
Pi? 的类. 产生随机数
r
3
∈
(
0
,
1
)
r_3 ∈ (0,1)
r3?∈(0,1),若
r
3
<
P
3
r_3 < P_3
r3?<P3? ,则选择该类中心,并加上随机值,产生新个体;否则,随机选择该类中的个体,加随机值更新.
S
t
e
p
5.3
Step5.3
Step5.3:如果
r
2
?
P
2
r_2 ? P_2
r2??P2? ,则随机选择两个类产生新个体. 产生随机数
r
4
∈
(
0
,
1
)
r_4 ∈ (0,1)
r4?∈(0,1),若
r
4
<
P
4
r_4 < P_4
r4?<P4? ,则合并两个聚类中心,加随机值产生新个体;否则,从两个聚类中选择个体合并后,加随机值产生新个体.
S
t
e
p
5.4
Step5.4
Step5.4:新产生的个体与当前个体相比,适应度值小的作为下一次迭代的新个体.
S
t
e
p
6
Step6
Step6:如果N 个个体更新完成,则转入
S
t
e
p
7
Step7
Step7,否则返回
S
t
e
p
5
Step5
Step5.
S
t
e
p
7
Step7
Step7:如果达到最大迭代次数,则停止迭代,否则返回
S
t
e
p
2
Step2
Step2.
[1]SHI Yuhui. Brain Storm Optimization Algorithm[M].Advances in Swarm Intelligence. Berlin Heidelberg:Springer, 2011: 303–309. doi: 10.1007/978-3-642-21515-5_36.
[2]梁晓萍,郭振军,朱昌洪.基于头脑风暴优化算法的BP神经网络模糊图像复原[J].电子与信息学报,2019,41(12):2980-2986.
头脑风暴优化算法
算法相关应用
名称 | 说明或者参考文献 |
---|---|
头脑风暴优化的BP神经网络(预测) | https://blog.csdn.net/u011835903/article/details/112149776(原理一样,只是优化算法是头脑风暴算法) |
头脑风暴优化的BP神经网络(分类) | https://blog.csdn.net/u011835903/article/details/112149394(原理一样,只是优化算法是头脑风暴算法) |
基于头脑风暴算法优化的最大熵多阈值分割 | https://blog.csdn.net/u011835903/article/details/108203775(原理一样,只是优化算法是头脑风暴算法) |
头脑风暴算法优化的otsu多阈值分割 | https://blog.csdn.net/u011835903/article/details/108019744(原理一样,只是优化算法是头脑风暴算法) |
头脑风暴优化的PID参数优化 | https://blog.csdn.net/u011835903/article/details/109306387(原理一样,只是优化算法是头脑风暴算法) |