智能优化算法：飞蛾扑火优化算法

智能优化算法：飞蛾扑火优化算法-附代码

@[toc]
摘要：飞饿扑火优 化 算 法 ( Moth-flame optimization algorithm，MFO) 是Seyedali Mirjalili等于2015年提出的一种新型智能优化算法[1]。该算法具有并行优化能力强，全局性优且不易落入局部极值的性能特征，逐渐引起了学术界和工程界的关注。

1.算法原理

飞蛾在夜间飞行时采用横向定位的特殊导航机制。在这种机制中，飞蛾通过维持自身相对月亮的角度固定进行飞行，由于月亮距离飞蛾非常遥远，飞蛾利用这种近似的平行光可以保持直线飞行。虽然这种导航机制对飞蛾非常有效，但实际中存在许多人工或自然点光源，这种光源与月亮相比距离飞蛾非常近，当飞蛾依然与光源保持固定的角度飞行时，就会导致导航失效并且产生致命的螺旋式飞行路径。

在 MFO 算法中，假设飞蛾是求解问题的候选解，待求变量是飞蛾在空间的位置。因此，通过改变其自身的位置向量，飞蛾可以飞行在一维、二维、三维、甚至更高维度的空间。由于 MFO 算法本质上是一种群体智能优化算法，所以飞蛾种群在矩阵中可以表示如下：
M = \left[ \begin{matrix} m_{1,1},m_{1,2},...,m_{1,d}\\ m_{1,1},m_{1,2},...,m_{1,d}\\ .........\\ m_{n,1},m_{n,2},...,m_{n,d}\end{matrix} \right]\tag{1}
其中：n代表飞蛾的个数;d代表待求控制变量的个数(问题的维度)。对于这些飞蛾，同样假设存在与之对应的一列适应度值向量，表示如下:
O_{M}=\left[\begin{matrix} O_{M1}\\ O_{M2}\\ ...\\ O_{Mn}\end{matrix} \right]\tag{2}
MFO 算法中要求每只飞蛾仅利用与之对应的唯一火焰更新其自身位置，从而避免算法陷入局部极值情况，大大增强了算法的全局搜索能力。因此，搜索空间中飞蛾位置与火焰位置是相同维度的变量矩阵：
F = \left[ \begin{matrix} F_{1,1},F_{1,2},...,F_{1,d}\\ F_{1,1},F_{1,2},...,F_{1,d}\\ .........\\ F_{n,1},F_{n,2},...,F_{n,d}\end{matrix} \right]\tag{3}

O_{F}=\left[\begin{matrix} O_{F1}\\ O_{F2}\\ ...\\ O_{Fn}\end{matrix} \right]\tag{4}

在迭代过程中，2 个矩阵中变量的更新策略有所不同。飞蛾实际上是在搜索空间内移动的搜索个体，而火焰则是目前为止所对应的飞蛾能够达到的最优位置。每一只飞蛾个体环绕在一个火焰的周围，一旦搜索到更好的解，便更新为下一代中火焰的位置。

为了对飞蛾扑火的飞行行为进行数学建模，每只飞蛾相对火焰的位置更新机制可采用方程表示 :
M_{i}=S(M_{i},F_{j})\tag{5}
其中：M_{i}表示第 i 只飞蛾；F_{j}表示第j个火焰；S表示螺旋函数。该函数满足以下条件：

1）螺旋函数的初始点应从飞蛾开始；
2）螺旋的终点为火焰的位置；
3）螺旋的波动范围不应超过其搜索空间。
S(M_{i},F_{j})=D_{i}.e^{bt}.cos(2\pi t)+F_{j}\tag{6}
其中：D_{i}表示第 i 只飞蛾与第 j 个火焰之间的距离；b 为所定义的对数螺旋形状常数，路径系数t为[-1,1]中的随机数。D 的表达式如下：
D_{i}=|F_{j}-M_{i}|\tag{7}
其中：M_{i}代表第i 只飞蛾；F_{j}代表第j 个火焰；D_{i}表示第i 只飞蛾与第 j 个火焰的距离。

图1.对数螺旋以及火焰周围的空间

式(6)模拟了飞蛾螺旋飞行的路径，可以看出，飞蛾更新的下一个位置由其围绕的火焰确定。如 图 1 所示，螺旋函数中系数 t 表示飞蛾下一个位置与火焰接近的距离(t=-1 表示与火焰最近的位置，而 t=1 表示最远的位置)。螺旋方程表明飞蛾可以环绕在火焰的周围而不仅仅是在它们之间的空间飞行，从而保障了算法的全局搜索能力与局部开发能力。图2 为飞蛾围绕一个火焰时位置更新模型。当一只飞蛾(蓝色水平线)围绕一个火焰(绿色水平线)飞行时，若更新后飞蛾位置(黑色水平线)的适应度值优于当代所对应的火焰，则其更新后的位置将被选择为下一代火焰的位置(例如标号 2 所示)，因此该飞蛾具有局部开发能力。采用该模型时具有以下特征：

1）通过修改参数 t，一只飞蛾可以收敛到火焰的任意的邻域范围内。
2）t 越小，飞蛾距离火焰越近。
3）随着飞蛾越来越接近火焰，其在火焰周围更新的频率越来越快。

图2.一只飞蛾根据对应的火焰利用对数螺线可以达到的可能位置

上述的火焰位置更新机制能够保证飞蛾在火焰周围的局部开发能力。为了提高找到更优解的概率，将当前找到的最优解作为下一代火焰的位置。因此，火焰位置矩阵 F 通常包含了当前找到的最优解。在优化的过程中，每一只飞蛾根据矩阵 F 更新自身的位置。MFO 算法中存在的路径系数 t 为[r,1]内的随机数，变量 r 在优化迭代过程中在[-1, -2]按迭代次数线性减少。通过这种处理，随着迭代过程的进行，飞蛾将更加精确地趋近于其对应序列中的火焰。每次迭代后，根据适应度值将火焰位置进行重新排序得到更新后的火焰序列如图 3 所示。在下一代中，飞蛾根据与他们所对应序列中的火焰更新自身的位置。

图3.飞蛾火焰分配图

若n 只飞蛾每一次的位置更新均基于搜索空间中n 个不同的位置，则会降低算法的局部开发能力。为了解决这个问题，针对火焰的数量提出了一种自适应机制，使得在迭代过程中火焰的数量可以自适 应地减少，从而平衡了算法在搜索空间中的全局搜索能力与局部开发能力，公式如下：
flame.no=round(N-l*\frac{N-1}{T})\tag{8}
其中：l 是当前迭代次数；N 是最大火焰数；T 表示最大迭代次数。同时，由于火焰的减少，每一代中与序列中所减少的火焰所对应的飞蛾则根据当前适应度值最差的火焰更新其自身位置。

2.算法流程

1）MFO 算法初始化，设置输入最优潮流控制变量维度 d，飞蛾种群搜索规模 n，最大迭代次数 T以及对数螺旋形状常数 b 等参数。
2）待求变量初始化，在搜索空间中随机生成飞蛾位置，并评估每只飞蛾对应的适应度值。
3）将飞蛾空间位置以适应度值递增的顺序排序后赋值给火焰，作为第一代中火焰的空间位置。
4）采用式(5)更新当前代飞蛾的位置。
5）将更新后的飞蛾位置与火焰位置的适应度值重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置。
6）以式(8)自适应机制减少火焰的数量。
7）返回步骤 6）进入下一代，直至迭代次数满足算法要求。
10）输出并显示优化结果，程序结束。

3.算法结果

算法结果

4.参考文献

[1]Seyedali Mirjalili. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm[J]. Knowledge-Based Systems,2015,89.

[2]王子琪,陈金富,张国芳,杨琪,代宇涵.基于飞蛾扑火优化算法的电力系统最优潮流计算[J].电网技术,2017,41(11):3641-3647.

5.MATLAB代码

https://mianbaoduo.com/o/bread/Z5iZl50=

文献复现：基于Levy飞行的飞蛾扑火优化算法(LMFO)
[1]李志明,莫愿斌.基于Lévy飞行的飞蛾扑火优化算法[J].计算机工程与设计,2017,38(03):807-813.

文献复现：基于交叉算子和非均匀变异算子的飞蛾扑火优化算法(CNMFO)
[1]张保东,张亚楠,郭黎明,江进礼,赵严振.基于交叉算子和非均匀变异算子的飞蛾扑火优化算法[J].计算机与数字工程,2020,48(11):2622-2627.

文献复现：结合重心反向变异的飞蛾扑火优化算法(IMFO)
[1]宋婷婷,张琳娜.结合重心反向变异的飞蛾扑火优化算法[J].智能计算机与应用,2020,10(12):104-107+115.

6.Python 代码

https://mianbaoduo.com/o/bread/aZ2WmJg=

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 213,254评论 6赞 492
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 90,875评论 3赞 387
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 158,682评论 0赞 348
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 56,896评论 1赞 285
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 66,015评论 6赞 385
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 50,152评论 1赞 291
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 39,208评论 3赞 412
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 37,962评论 0赞 268
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 44,388评论 1赞 304
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,700评论 2赞 327
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,867评论 1赞 341
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 34,551评论 4赞 335
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 40,186评论 3赞 317
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,901评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,142评论 1赞 267
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 46,689评论 2赞 362
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 43,757评论 2赞 351

推荐阅读更多精彩内容