多元宇宙算法MVO及其改进复现

0、MVO简介

       群智能技术是一种基于群体迭代搜索的随机式优化方法，因其潜在的并行性、分布式搜索和全局搜索能力较强等特点，成为近年来的研究热点。不同学者针对上述群体仿生优化方法，在算子改进、算子融合、搜索技术、隔离技术等方面进行了大量的研究，数值实验表明这些基本的启发式方法针对低维度问题具有一定的优越性，但面对大规模问题也存在着陷入局部极值、优化能力一般、收敛精度不高等问题。

     文献《Multi-verse optimizer: A nature-inspired algorithm for global optimization》Seyedali提出了多元宇宙优化算法(Multi-VerseOptimization, MVO)，它基于宇宙中的物质通过虫洞由白洞向黑洞进行转移的原理进行模拟。MVO是一种基于物理机理的新算法,其源于多元宇宙理论中黑白洞及虫洞概念,通过模拟白(黑)洞发送(吸引)物体、虫洞瞬时输送物体等机理实现搜索空间的迭代探索与开采优化,其启发机理简单、待调节参数少、探索开采性能强等优点已在机械结构优化设计 、模型参数优化选择、光子晶体滤波器设计等领域得到应用。在MVO算法中，主要的性能参数是虫洞存在概率和虫洞旅行距离率，参数相对较少，低维度数值实验表现出了相对较优异的性能。（MVO相关理论可参考该文献！）

1、MVO改进

1.1  改进MVO算法应用于大规模优化问题

        国内外对MVO算法在大规模优化问题中的应用研究相对较少。文献《改进多元宇宙算法求解大规模实值优化问题》对MVO算法进行改进，并应用于大规模优化问题，数值实验和实际案例研究表明改进算法(IMVO)具有较强的适用性，可以丰富和完善现有大规模优化问题求解方法的算法体系，进而为特定大规模优化问题提供可供借鉴的启发式思想集，稍作修改可应用于图像分析处理、产品优化设计和交通调度优化等诸多领域。

        本人复现了文献所提的IMVO算法，并进行验证！结果如下：

 

 

 

1.2   改进MVO算法提升寻优速度改善寻优结果

          在多元宇宙优化算法中，虫洞存在概率WEP 和虫洞旅行距离率 TDR 是影响算法优化效果的两个重要参数。

   

          因为多元宇宙需要通过虫洞的随机性来保证宇宙的稳定性和多样性，所以一个合适的旅行距离率 TDR 可以提升 MVO 算法的性能，更容易找到最优的个体，提升全局寻优能力 。 针对 TDR 值下降速度较慢而导致旅行距离增加的问题，提出一种改进的多元宇宙优化算法，具体理论见文献《基于改进MVO和WLSSVM的燃煤锅炉NO x 排放优化》。

         本人复现了文献所提的IMVO算法，并进行验证！结果如下：

1.3  改进MVO算法提高传统MVO算法的迭代寻优能力

        文献《耦合横纵向个体更新策略的改进MVO算法》中提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO). 横向更新策略通过引入加权学习因子使子代新个体同时继承父代多个宇宙个体的位置信息并生成新位置,同时适定性修正WEP的递变形式以改善宇宙种群个体间的位置信息交流和算法优化能力;纵向更新策略则是通过拟合人脑认知的历史遗忘记忆特性对最优宇宙个体记忆邻域进行再开采,以增强算法的局部搜索性能。具体理论请参考该文献。

          本人复现了文献所提的IMVO算法，并进行验证！结果如下：