《Python智能優化算法：從理論到代碼實現與應用》課件 第1-3章 黏菌算法原理及其Python實現、人工蜂群算法詳解、蝗蟲優化算法詳解及其數學模型

黏菌算法原理目錄CATALOGUE02.接近食物階段04.抓取食物階段05.黏菌算法流程01.03.包圍食物階段黏菌算法基礎原理01黏菌算法基礎原理PART黏菌算法（SlimeMouldAlgorithm，SMA）是2020年由Li等提出的一種新型元啟發算法，其主要模擬了自然界中黏菌覓食過程中的行為和形態變化。黏菌算法簡介黏菌是一種生活在潮濕寒冷環境中的真核生物，其營養的攝取主要來源于外界有機物，當黏菌接近食物源時，會通過生物振蕩器產生傳播波來增加細胞質流量。與其他智能優化算法相比，黏菌算法具有原理簡單、調節參數少、尋優能力強、便于實現等優點。010302黏菌算法基礎原理食物濃度越高，生物振蕩器產生的傳播波也就越強，則細胞質流動越快，黏菌算法模擬了黏菌的捕食行為，實現了智能尋優。黏菌優化算法用數學模型模仿黏菌覓食行為和形態變化，SMA算法包括三個階段，分別為接近食物階段、包圍食物階段和抓取食物階段。0405生物振蕩器的作用黏菌算法的優勢黏菌優化算法的階段黏菌的捕食行為02接近食物階段PART接近食物階段逼近食物源的行為迭代更新位置隨機擾動項圓形與扇形結構運動微調位置在尋找食物的過程中，黏菌能夠通過空氣中的氣味逐漸逼近食物源，這種逼近行為通過特定的公式來描述。在每次迭代中，黏菌會根據食物濃度最高的位置、隨機選擇的黏菌個體以及其他因素來更新自己的位置。公式中的r是一個介于0和1之間的隨機數字，它起到了隨機擾動的作用，使得黏菌在搜索過程中具有一定的隨機性。r的作用是在任意角度形成搜索向量，即黏菌在任意方向上搜索解空間，從而增加找到最優解的可能性。通過r、和W的微調，公式更好地模擬了黏菌在接近食物時的圓形與扇形結構運動，這是一種高效的搜索策略。接近食物階段03包圍食物階段PART包圍食物階段包圍食物階段收縮模式包圍食物階段模擬了黏菌靜脈組織的收縮模式，靜脈接觸的食物濃度越高，生物振蕩器產生的傳播波越強，細胞質流動越快，靜脈越厚。位置調整方程模擬了黏菌重量和食物濃度之間的正負反饋過程，log函數用于減緩數值變化率，穩定收縮頻率，condition部分模擬了黏菌根據食物濃度調整位置的過程。權重更新食物濃度越高，區域附近的黏菌權重越大；如果食物濃度較低，黏菌會轉向搜索其他區域，該區域黏菌權重較小，圖1.2是黏菌適應度值的可視化圖。位置更新基于上述原理，本階段更新黏菌位置的數學公式為（1.4），其中，rand和r表示在0到1內生成的隨機值，ub和lb分別表示搜索空間的上界和下界，z用來權衡搜索與開發階段的參數。04抓取食物階段PART抓取食物階段抓取食物階段利用生物振蕩器產生的傳播波改變靜脈中的細胞質流動，通過vb、vc和W模擬黏菌靜脈寬度的變化與黏菌的震蕩頻率。參數更新規則參數線性遞減在抓取食物階段，需要根據當前迭代次數t、最大迭代次數T以及適應度值的前一半個體來更新參數vb、vc和W。參數vb和vc的范圍是從1線性遞減到0，而參數W的更新公式與接近食物階段相同，用于模擬黏菌在尋找食物過程中的適應性變化。12305黏菌算法流程PART黏菌算法流程算法開始時，首先需要設定相關參數并初始化種群，同時記錄下當前的適應度值，以便后續比較與更新。初始化與記錄根據當前種群的狀態，計算重量W和參數a，并利用式（1.4）對種群的位置進行更新，以探索新的解空間。計算與位置更新計算更新后個體的適應度值，并更新全局最優解；隨后，判斷是否滿足停止條件，若滿足則輸出結果。最優解更新與判斷THANKS人工蜂群算法詳解目錄CATALOGUE02.種群初始化與引領蜂搜索04.人工蜂群算法流程05.總結與展望01.03.跟隨蜂與偵察蜂搜索引言01引言PART人工蜂群算法概述人工蜂群算法，2005年橫空出世，由土耳其學者KarabogaD提出，專為解決函數優化難題。此算法模擬蜜蜂覓食智慧，以群體協作尋得全局最優解。智尋全局最優ABC算法設計精妙，操作簡便，參數少而魯棒性強，在優化問題中展現出卓越的求解能力。其快速收斂與高精度，使其成為解決非線性連續優化問題的首選工具。高效優化工具蜜蜂覓食行為啟示蜂群復雜行為舞蹈傳遞信息蜜源探索機制蜜蜂作為群居昆蟲，單個成員行為雖簡單，但群體協作卻能展現復雜有序的行為模式。這種群體動態，使得它們能夠靈活適應環境變化，快速定位并采集高收益蜜源。工蜂作為覓食主力，行為復雜多變。它們既承擔內勤職責，也作為偵察員探索新蜜源。一旦發現優質蜜源，即刻變身采集蜂，通過舞蹈指引同伴，共享信息，共赴蜜源之約。搖擺舞是蜜蜂傳遞信息的關鍵舞蹈，時長暗示距離，擺動方向指引蜜源方位，劇烈程度反映蜜源質量，花粉味道則揭示蜜源種類。此機制促進蜂群高效覓食與適應變化。算法組成與行為定義人工蜂群算法由食物源、雇傭蜂和非雇傭蜂三大基本部分組成。食物源代表優化問題的解空間，雇傭蜂負責搜索和開采，非雇傭蜂則尋找新的食物源。算法基本組成算法通過招募蜜蜂到蜜源和放棄劣質蜜源兩種行為，實現群體協作和優化搜索。當雇傭蜂發現優質蜜源時，會通過共享信息招募更多蜜蜂；當蜜源枯竭時，則引導蜜蜂放棄該蜜源。招募與放棄行為02種群初始化與引領蜂搜索PART隨機初始化種群01初始化進化代數設置初始進化代數t=0，確保迭代計算從這一代開始。在優化問題的可行解空間內，隨機生成滿足約束條件的NP個個體X構成初始種群。02隨機生成個體個體X的生成遵循公式（2.1），其中rand為[0,1]區間上的隨機數，Ub和Lb分別為尋優參數的上邊界和下邊界，確保個體在可行解空間內。引領蜂種群構建將種群中適應度值較小的一半個體構成引領蜂種群，另一半個體構成跟隨蜂種群。這種分類方式基于蜜蜂的覓食行為，引領蜂負責探索新區域。引領蜂與跟隨蜂引領蜂通過一對一的競爭生存策略，在適應度值較優的個體周圍進行貪婪搜索，產生新個體V，這一過程確保了只有適應度值較高的個體才能被選擇。貪婪搜索交叉搜索新個體交叉搜索新解對于當前第t代引領蜂種群中的一個目標個體，算法采用隨機選擇個體逐維交叉搜索的方法，通過公式（2.2）產生新個體V。01擾動增強多樣rand為[0,1]的隨機數。目標引領蜂個體與隨機選擇的引領蜂個體所形成的差分向量，方向和大小具有不確定性，將此差分向量加至基向量上。02擇優保留個體和其他進化算法一樣，人工蜂群算法采用達爾文進化論“優勝劣汰”的思想來擇優保留個體，以保證算法不斷向全局最優解進化。擇優保留個體對新生成個體V和目標個體進行適應度評價，再將二者的適應度值進行比較，按（2.3）式選擇適應度值較優的個體進入引領蜂種群。評價擇優保留03跟隨蜂與偵察蜂搜索PART跟隨蜂貪婪搜索跟隨蜂搜索機制跟隨蜂依據輪盤賭選擇方式，在新的引領蜂種群中擇優選擇目標個體，隨后與隨機選擇的個體進行交叉搜索，產生新個體，構建出跟隨蜂種群。貪婪搜索策略人工蜂群算法中跟隨蜂種群的搜索方式是其區別于其他進化算法的關鍵，其本質上是擇優選擇個體進行貪婪搜索，是算法快速收斂的關鍵因素。多樣性保持跟隨蜂搜索方式在引入隨機性信息的同時，也不會過多降低種群的多樣性，使得算法能夠在探索和利用之間取得平衡，確保種群多樣性和算法性能。偵察蜂搜索經過引領蜂和跟隨蜂的搜索后形成的新種群與初始種群大小相同，為避免多樣性喪失過多，算法模擬偵察蜂搜索潛在蜜源的生理行為，提出特有的偵察蜂搜索方式。偵察蜂搜索保多樣性個體轉換如果一個個體在連續“limit”代中都沒有發生變化，則將其轉換為偵察蜂。偵察蜂將按照公式（2.1）進行搜索，產生一個新的個體，并與原個體進行一對一比較。擇優保留在偵察蜂搜索方式中，通過比較新個體與原個體的適應度值，選擇較優的個體進行保留。這種一對一的比較方式有助于保持種群的多樣性，并防止劣質個體過多積累。種群進化與迭代種群進化終止條件迭代更新通過引領蜂種群、跟隨蜂種群及偵察蜂的搜索，使種群不斷進化到下一代。這種進化過程反復循環，直到滿足特定的終止條件，如達到最大迭代次數G。在算法的每一次迭代中，都根據當前種群的適應度值來更新引領蜂和跟隨蜂的種群。這種更新機制有助于確保種群始終保持在較優的解空間內，并加速算法的收斂。當算法迭代次數t達到預定的最大迭代次數G時，算法將自動終止。此時，將輸出當前找到的最優解作為問題的近似最優解。這個終止條件確保了算法的及時停止。算法終止與輸出當算法迭代次數t達到預定的最大迭代次數G時，算法將自動終止。此時將輸出當前找到的最優解作為問題的近似最優解，以便于后續的應用和決策。算法終止在算法終止后，將輸出當前找到的最優解作為問題的近似最優解。這個解是在經過多次迭代后得到的，具有較高的質量和可靠性，可以為實際應用提供有價值的參考。最優解輸出04人工蜂群算法流程PART初始化相關參數01設定蜜蜂數量在初始化階段，首要任務是設定蜜蜂的數量（NP），這一參數將直接影響算法的搜索能力和效率。02限制與迭代需設定偵察蜂行為的限制參數（limit），以及算法的最大迭代次數（G），確保算法能在合理時間內完成優化任務。隨機初始化種群在隨機初始化種群的過程中，我們根據優化問題的可行解空間，隨機生成滿足約束條件的NP個個體構成初始種群。隨機生成個體初始化種群的步驟是在尋優參數的上邊界（Ub）和下邊界（Lb）之間進行的，確保每個個體都位于有效的搜索范圍內。初始化范圍計算種群個體的適應度值適應度評估需計算種群中每個個體的適應度值，這一過程涉及將個體特征輸入到適應度函數中，以評估其性能或質量。01排序與分割根據適應度值對個體進行排序，并基于排序結果，將種群劃分為適應度值較優和適應度值較差的兩個子集。02引領蜂與跟隨蜂種群構建引領蜂和跟隨蜂的劃分是基于適應度值進行的，適應度值較優的一半個體被選為引領蜂，另一半則作為跟隨蜂。引領蜂與跟隨蜂引領蜂和跟隨蜂各自構成獨立的種群，這種構建方式確保了種群的多樣性，并為后續的搜索過程提供了基礎。種群構建引領蜂種群搜索01交叉搜索對于當前第t代引領蜂種群中的一個目標個體，我們采用隨機選擇個體進行逐維交叉的方式，生成一個新的個體V。02交叉向量在二維目標函數下，交叉搜索通過結合目標引領蜂與隨機引領蜂的差分向量，為基向量添加隨機擾動，從而擴大種群的多樣性。跟隨蜂種群搜索跟隨蜂依據輪盤賭選擇機制，在新的引領蜂種群中挑選較優的目標個體，確保搜索過程的高效性。輪盤賭選擇被選中的跟隨蜂與隨機選擇的個體進行搜索，生成新個體，形成新的跟隨蜂種群，推動算法向全局最優解逼近。貪婪搜索迭代種群構成種群更新經過引領蜂和跟隨蜂的搜索后，我們結合兩者產生的個體，構建出一個與初始種群大小相同的新種群。01避免多樣性喪失新種群的構建方式旨在避免隨著種群的進化而過多地喪失多樣性，從而確保算法能夠保持較強的全局搜索能力。02偵察蜂行為與迭代更新當某個體在連續多代（limit）中保持不變時，將其轉換為偵察蜂，以探索新的潛在解空間，維持種群的多樣性。偵察蜂轉換偵察蜂按照初始化方式（如公式2.1）進行搜索，生成新個體，并與原個體進行一對一比較，保留較優個體。新個體生成算法終止條件在算法執行過程中，我們需不斷判斷當前是否滿足終止條件，這通常是通過檢查迭代次數是否已達到預設的最大值G來實現。最優解輸出一旦滿足終止條件，算法將立即終止，并輸出當前找到的最優解。若尚未滿足終止條件，則算法需繼續執行。算法終止與最優解輸出05總結與展望PART算法性能優勢與應用前景人工蜂群算法以其操作簡單、參數少、魯棒性高等特點，展現出強大的優化能力，尤其適用于處理大規模、高度非線性的優化問題。性能優勢應用前景挑戰與機遇隨著智能化技術的不斷發展，人工蜂群算法在智能制造、智能家居、金融優化等領域展現出廣闊的應用前景，為解決實際問題提供有力支持。算法在連續優化問題中表現出色，但在離散優化問題中仍需改進。未來研究可探索針對離散問題的改進策略，拓展算法應用范圍。算法的魯棒性與適應性魯棒性人工蜂群算法以其高度的魯棒性著稱，能夠在各種復雜環境中保持穩定的優化性能，為實際應用提供了強有力的支持。適應性機制分析算法能夠自動調整參數以適應不同的問題規模和環境變化，無需人工干預，這種自適應性使其具有更廣泛的適用性。通過深入分析人工蜂群算法的運作機制，我們可以更好地理解其魯棒性和適應性的來源，為算法的設計和優化提供理論依據。123未來研究方向與挑戰未來研究可深入探討人工蜂群算法的理論基礎，包括其收斂性、復雜性等方面的分析，以完善算法的理論框架。理論基礎研究如何進一步提高算法的優化效率，是未來的重要方向。可通過改進搜索策略、利用并行計算等手段加快算法的執行速度。高效優化未來可將人工蜂群算法應用于更多的實際問題中，如大數據分析、人工智能等，以展現其在復雜優化問題中的優勢和潛力。實際應用THANKS感謝觀看蝗蟲優化算法詳解及其數學模型目錄CATALOGUE02.蝗蟲優化算法數學模型04.蝗蟲優化算法流程01.03.社會作用力引言01引言PART蝗蟲優化算法提出蝗蟲優化算法（GOA）是群智能優化算法，由澳大利亞學者ShahrzadSaremi等人于2017年提出，該算法模擬了蝗蟲群體的覓食行為。蝗蟲優化算法算法的基本思想是通過模擬蝗蟲群體間的排斥力和吸引力，將搜索空間劃分為排斥空間、舒適空間和吸引空間，進而尋找最優解。覓食行為優化蝗蟲優化算法基本原理蝗蟲優化算法是基于群體智能的優化技術，它模擬了蝗蟲群體在覓食過程中的相互作用和決策機制，來求解復雜的優化問題。蝗蟲優化算法蝗蟲群體智能協同覓食優化算法原理中，蝗蟲個體通過感知周圍環境，與其他個體進行信息交換，共同協作，能夠在復雜環境中找到食物源，即最優解。蝗蟲優化算法通過模擬蝗蟲群體的協同覓食行為，在搜索空間中尋找最優解。這種協同作用能夠克服局部最優，提高搜索效率。蝗蟲群體覓食行為群體覓食機制蝗蟲群體覓食行為是蝗蟲優化算法的核心機制，通過模擬蝗蟲群體間的相互作用和決策過程，實現覓食和資源的有效分配。群體智能優化協同優化求解算法利用蝗蟲群體智能進行全局搜索和局部開發，通過調整蝗蟲位置、速度和方向等參數，實現優化問題的求解。蝗蟲優化算法通過模擬蝗蟲群體的協同覓食行為，在搜索空間中尋找最優解。這種協同作用能夠克服局部最優，提高搜索效率。12302蝗蟲優化算法數學模型PART第i只蝗蟲的位置更新受其他所有蝗蟲、重力和風力影響，用數學模型表示，包含社會作用力、重力和風力項。蝗蟲位置更新模型蝗蟲位置更新模型內社會作用力引導蝗蟲向優質區域移動，重力則驅動其向下，風力則助力或阻力蝗蟲移動，共同影響位置更新。社交力量引導蝗蟲位置更新模型通過社會作用力、重力和風力的平衡，實現智能優化，尋找最優解，展現群智能的優化能力。蝗蟲智能優化重力與風力影響重力在蝗蟲位置更新中起關鍵作用，將其拉向地球中心，影響蝗蟲分布，促使種群向特定區域聚集，驅動種群動態平衡。重力作用顯著風力作為外部因素，對蝗蟲位置更新有重要影響，助力蝗蟲跨域移動，探索新區域，促進種群擴散，維持生態多樣性。風力助力探索重力和風力的交互作用使蝗蟲位置更新更加復雜，種群分布受環境影響顯著，優化模型需考慮重力和風力，精確模擬蝗蟲行為。環境交互影響蝗蟲優化算法參數c在蝗蟲優化算法中，參數c作為縮小系數，通過式（3.6）線性減小舒適空間、排斥空間和吸引空間，對算法性能有重要影響。縮小系數c平衡全局與局部迭代過程調整參數c在算法中平衡全局與局部搜索能力，通過調整其值，可控制算法的探測和開發能力，進而影響優化效果。隨著迭代次數增加，參數c從最大值Cmax線性減小至最小值Cmin，這種調整策略有助于在算法執行過程中動態平衡全局與局部搜索。蝗蟲優化算法通過迭代方式逐步優化目標函數，每次迭代均基于當前種群位置和參數c進行位置更新，直至滿足結束條件。蝗蟲優化算法迭代過程迭代優化過程在迭代過程中，算法根據當前迭代次數t和最大迭代次數tmax，動態調整參數c的值，以實現全局搜索與局部搜索的平衡。動態調整策略通過迭代過程，算法不斷平衡探索能力（全局搜索）與開發能力（局部搜索），確保在復雜搜索空間中高效找到最優解。探索與開發能力03社會作用力PART距離與力如果兩只蝗蟲之間的距離較近，它們之間會產生排斥力，防止它們聚集在一起。如果距離較遠，則會產生吸引力，促使它們相互靠近。排斥與吸引舒適區域蝗蟲間的社會作用力在距離達到一定范圍時達到平衡，形成舒適區。在此區域內，蝗蟲能夠自由地活動和覓食，而不會受到過多的干擾。蝗蟲間的社會作用力隨著它們之間距離的改變而變化。這種作用力可以影響蝗蟲的飛行軌跡和行為，確保它們在整個種群中均勻分布。蝗蟲間的社會作用力吸引力與排斥力力學平衡行為模擬參數控制蝗蟲間的吸引力與排斥力通過特定的數學函數進行建模，確保在整個搜索空間中能夠找到最優解。這種力學平衡機制有助于避免局部最優解。吸引力強度和范圍通過參數f和l控制。這些參數的不同組合可以導致不同的搜索行為，如全局搜索、局部搜索和平衡搜索等。通過模擬蝗蟲間的吸引力與排斥力，可以在不同參數設置下觀察蝗蟲群的行為變化。這種模擬有助于理解蝗蟲優化算法的工作原理和優化過程。舒適無擾舒適區是蝗蟲優化算法中的一個重要概念，表示蝗蟲間距離使得它們不受過多干擾的自由活動區域。在此區域內，蝗蟲能夠自由地覓食和繁殖。舒適區與距離關系距離調控通過調控蝗蟲間的距離，可以影響舒適區的大小和位置。如果距離過近，可能會導致蝗蟲聚集在一起，減少舒適區的大小；如果距離過遠，則可能使得舒適區無法形成。優化性能優化算法中，舒適區的位置和大小對算法性能有重要影響。通過合理設置相關參數，可以使得算法在不同問題規模和數據分布下表現出較好的優化性能。Python繪制程序Python繪制程序用于生成蝗蟲優化算法的圖形表示。通過