优化算法笔记(十四)水波算法

1. 水波算法简介

(以下描述,均不是学术用语,仅供大家快乐的阅读)
  水波算法(Water wave optimization)是根据水波理论提出的优化算法。什么是水波理论?简单来说就是水波的宽度越小,其频率越高,频率与水波宽度的平方根成反比(具体细节我也不懂,物理方面的)。水波算法也算是一种受物理现象(理论)启发而提出的算法,提出时间并不长,还有大量的研究和应用可以深入进行。
  在水波算法中,水波有三种形式来对空间进行搜索。1.传播,2.折射,3.碎浪。传播即水波向周围扩散开来,折射是水波的高度趋近与0时改变了传播的方向(我是真的理解不能,光可以折射,水也能折射的咯?),碎浪即水波的高度较高时,水波破碎形成浪花。可以看出水波的传播是贯穿整个算法流程的,而折射只会发生在水波高度减少至0时,碎浪则发生在水波过高时。
(强行解释最为致命,作者开心就好)。

2. 算法流程

将每一个水波想象成一个独立的个体,那么每个水波将拥有3个属性:位置X,波长 以及波高h。
  在每一次迭代过程中,每个水波都会通过传播的形式来对空间进行搜索同时水波的高度h会减少1。其位置更新公式如下:

  其中为该水波的波长,为当前搜索空间的上下界。的值会随着迭代的进行而改变:

  其中 为波长的衰减系数, 为一个较小的数以保证分母不为0。
每次传播后,如果当前的水波优于传播前的水波,则传播到该位置,否则波浪的高度h会减少1,即:

  上式中适应度函数值越大,表明位置越优。

2.2折射

在一个水波进行传播之后,该水波有可能进行折射。每次传播,水波的高度h会减少1,当h减少到0时,该水波将发生折射,同时其高度和波长也会改变,折射及高度波长改变公式如下:

  折射后的位置正态分布在以当前水波和最优水波中点为均值,当前水波与最优水波距离为方差的位置。
  在折射后水波的高度将会重新初始化为最大高度:

  折射后,会重新计算该水波的波长 :

2.3碎浪

在水波进行传播之后,到达了一个优于当前最优水波的位置,则该水波将会进行碎浪,并将当前最优水波传播到碎浪产生的位置。
  碎浪位置的产生公式如下:

  k为一个随机数,每次碎浪将会随机选择k个维度来进行改变。 为一个常数。如果碎浪得到的结果优于当前最优水波,则改变当前最优水波到碎浪的位置。

是不是感觉流程图有点复杂,其实算法没有那么复杂,整个过程一共只有三个操作,一个水波在一代中最多只会执行两种方式。每个水波可能的搜索方式有三种:1.传播,2.先传播后碎浪,3.先传播后折射。

3. 实验

适应度函数

  由于水波算法收敛较慢,所以最大迭代次数使用100。
实验一

参数
问题维度(维度) 2
总群数量(种群数) 20
搜索次数(最大迭代次数) 100
12
0.5
1.0026
0.25->0.001
取值范围 (-100,100)
实验次数 10
最优值 0.001808651677916917
最差值 0.04375677283916835
平均值 0.015238301700866286

从图像中可以看出,个体在向着中心不断的收敛,其收敛速度不算很快。其结果也相对稳定。
  从图像可以推测出,水波算法的核心参数其实是水波的最大高度,水波的最大高度决定了算法的收敛速度和精度,就像人工蜂群算法中的蜜源最大开采次数一样。若一个个体连续多代没有找到优于当前的位置,它将改变自己的策略。
  从算法的具体实现可以看出,传播是一个在自身周围的全局搜索的过程,折射则属于一个大概率局部搜索,小概率跳出局部最优的操作,而碎浪则是进一步的局部搜索。那么水波的最大高度越高,则水波算法的全局搜索能力越强,但收敛速度越慢,反正,算法的收敛速度越快。
实验二:减少算法的水波最大高度至5

参数
问题维度(维度) 2
总群数量(种群数) 20
搜索次数(最大迭代次数) 100
5
0.5
1.0026
0.25->0.001
取值范围 (-100,100)
实验次数 10
最优值 3.6611061423558655E-4
最差值 0.0023474778938427704
平均值 0.0011350695286915448

从图像可以看出算法的收敛速度明显比实验一要快,在第30代时已经快收敛于一个点了。从结果来看,实验二的结果也优于实验一,由于水波的最大高度较小,算法进行碎浪和折射的次数增加了,即算法的局部搜索能力增强了。
  同样之前的算法中也提到过多次,收敛速度越快,群体越容易聚集到同一个区域,算法也越容易陷入局部最优,而适应度函数对优化算法来说是一个黑盒函数,无法得知其复杂程度。所以对于实验所使用的较为简单的测试函数,水波的最大高度越小,结果的精度越高,而面对未知的问题时,应该选取较大的水波高度以避免陷入局部最优。同样物极必反,水波的最大高度过大可能会使算法的局部搜索较弱,我们可以选取一个动态的水波最大高度。
实验三:水波最大高度随迭代次数增加由12递减至2

参数
问题维度(维度) 2
总群数量(种群数) 20
搜索次数(最大迭代次数) 100
12->2
0.5
1.0026
0.25->0.001
取值范围 (-100,100)
实验次数 10
最优值 6.362096569652954E-4
最差值 0.06803231857237127
平均值 0.015265574050623312

看图像和结果感觉和实验一差别不大,唯一的区别就是最优值要好于实验一。在这个简单的测试函数中无法表现出其应有的特点,由于算法后期群体已经较为集中,也无法明显的看出算法的收敛速度是否随着迭代次数增加而加快。

4. 总结

水波算法也是一个新兴算法,算法的流程较为复杂且可修改参数较多。算法的流程和思想与蜂群算法有点类似,但水波算法更为复杂。水波算法的三个搜索策略,传播是一个全局搜索行为,也有一定的跳出局部最优能力;折射则是一个局部搜索过程,由于正态分布的原因,有较小的概率产生跳出局部最优的操作;碎浪则是一个更进一步的局部搜索,只在最优位置附近搜索。
  其搜索策略使算法在整个流程中都拥有全局搜索和局部搜索能力,全局搜索与局部搜索之间的平衡由水波的最大高度决定,最大高度约大,全局搜索能力越强,收敛速度越慢,反之,局部搜索能力越强,收敛速度越快。

以下指标纯属个人yy,仅供参考

指标 星数
复杂度 ★★★★★☆☆☆☆☆
收敛速度 ★★★★★☆☆☆☆☆
全局搜索 ★★★★★★☆☆☆☆
局部搜索 ★★★☆☆☆☆☆☆☆
优化性能 ★★★★☆☆☆☆☆☆
跳出局部最优 ★★☆☆☆☆☆☆☆☆
改进点 ★★★★☆☆☆☆☆☆

参考文献
Zheng, Yu-Jun. Water wave optimization: A new nature-inspired metaheuristic[J]. Computers & Operations Research, 2015, 55:1-11.提取码:fo70
目录
上一篇 优化算法笔记(十三)鲸鱼算法
下一篇 优化算法笔记(十五)蝙蝠算法

优化算法matlab实现(十四)水波算法matlab实现

你可能感兴趣的:(优化算法笔记(十四)水波算法)