記事ディレクトリ
1.理論的根拠
1.将来の検索アルゴリズム
未来探索アルゴリズム(FSA)は、より良い生活への人間の憧れを模倣することにより、2018年にM. Elsisiによって提案された新しい探索アルゴリズムです。このアルゴリズムは、数学モデル(ローカル探索)と歴史的な最適な生活を確立することにより、人々の間の最適な生活をシミュレートします。 (グローバル検索)最適なソリューションを取得します。他のアルゴリズムと比較して、FSAには、調整パラメーターが少なく、収束速度が速く、最適化機能が強力であるという利点があります。
(1)アルゴリズムの初期化
FSAは、式(1)によって現在の解を初期化します。S(i、:)= Lb +(Ub − Lb)。∗ rand(1、d)(1)S(i、:)= \ text {Lb} +( \ text {Ub}-\ text {Lb})。* rand(1、d)\ tag {1}S (i 、:)。=ポンド+(Ub−Lb)。∗r a n d (1 、d )(1)其中, S ( i , : ) S(i,:) S (i 、:)はiii国向けの現在のソリューション;Ub\ text {Ub}UbとLb\text {Lb}Lbは、それぞれ検索空間の上限と下限を表します。randrandr a n dは、[0、1][0,1][ 0 、1 ]間隔が均一に分散された乱数;dddは問題の次元を表します。
(2)ローカルソリューションとグローバル最適ソリューション
FSAは、各国/地域の現在の最適解をローカル最適解LS \text{LS}として定義しています。LSは、すべての国の現在の最適なソリューションをグローバルな最適なソリューションとして定義しますGS \ text {GS}GS、および反復プロセスを通じて最適化される問題の最適なソリューションを取得します。FSAは、方程式(2)および(3)を介してローカル解とグローバル最適解の更新を実現します。S(i、:)L =(LS(i、:)− S(i、:))∗ rand(2)S (i、:)_ L =(\ text {LS}(i、:)-S(i、:))* rand \ tag {2}S (i 、:)。L=(LS(i 、:)。−S (i 、:)))∗r a n d(2) S(i、:)G =(GS − S(i、:))∗ rand(3)S(i、:)_ G =(\ text {GS} -S(i、:))* rand \ tag {3}S (i 、:)。G=(GS−S (i 、:)))∗r a n d(3)其中, S ( i , : ) L S(i, :)_L S (i 、:)。L和(i、:)GS(i、:)_ GS (i 、:)。Gそれぞれiiを表しますiか国のローカルおよびグローバルな最適ソリューション;LS(i、:) \ text {LS}(i、:)LS(i 、:)はiii国のローカル最適解;GS\ text {GS}GSは、すべての国に最適なグローバルソリューションを示します。r a n dは、[0、1][0,1][ 0 、1 ]範囲内の乱数。
(3)新しいソリューションを定義する
iiを取得する際にiの国/地域のローカルソリューションとグローバル最適ソリューションの後、式(4)を使用して、現在のソリューションを再定義します。S(i、:)= S(i、:)+ S(i、:)L + S( i、:)G(4)S(i、:)= S(i、:)+ S(i、:)_ L + S(i、:)_ G \ tag {4}S (i 、:)。=S (i 、:)。+S (i 、:)。L+S (i 、:)。G(4)
(4)ランダムな初期値を更新します
FSAは局所最適解LS\text{LS}を更新していますLSおよびグローバル最適ソリューションGS\text {GS}GSの後、式(5)を使用して、式(1)のランダムな初期値を更新します。S(i、:)= GS +(GS − LS(i、:))∗ rand(5)S(i、:) = \ text {GS} +(\ text {GS}-\ text {LS}(i、:))* rand \ tag {5}S (i 、:)。=GS+(GS−LS(i 、:)))∗r a n d(5)
2.FSAアルゴリズムのフローチャート
FSAアルゴリズムのフローチャートを図1に示します。
2.シミュレーション実験と結果分析
FSAとPSOおよびGSAの比較、F1、F2(ユニモーダル関数/ 30次元)、F9、F10(マルチモーダル関数/ 30次元)、F14、F15(固定次元マルチモーダル関数/ 2次元、4次元) 、実験では、母集団のサイズを30に設定し、最大反復回数を1000に設定しました。結果は次のとおりです。
函数:F1
FSA:最优值:0
PSO:最优值:182.2818
GSA:最优值:8.6339e-17
函数:F2
FSA:最优值:0
PSO:最优值:19.0327
GSA:最优值:4.5383e-08
函数:F9
FSA:最优值:0
PSO:最优值:79.9366
GSA:最优值:22.884
函数:F10
FSA:最优值:8.8818e-16
PSO:最优值:6.5874
GSA:最优值:5.8252e-09
函数:F14
FSA:最优值:1.992
PSO:最优值:11.7187
GSA:最优值:2.2116
函数:F15
FSA:最优值:0.00031431
PSO:最优值:0.00030749
GSA:最优值:0.0038895
実験結果は、FSAアルゴリズムの方がパフォーマンスが優れていることを示しています。
3.参考文献
[1] M.Elsisi。最適化のための将来の検索アルゴリズム[J]。EvolutionaryIntelligence、2019、12:21-31。
[2] Guo Cunwen、CuiDongwen。PCA -FSA-MLRモデルとその流出予測への応用[J ]]。People'sPearlRiver、2021、42(6):91-98。