自由搜索算法

自由搜索(Free Search,FS)算法是一种新的群集智能优化算法,该算法全局搜索能力好,收敛速度快。

自由搜索算法基本原理

自然环境中,群居动物个体间的相互联系支撑其觅食过程。群集智能优化算法中,个体的行为和它们之间的相互联系反映了寻优搜索的特征。自由搜索算法中,个体的嗅觉、机动性和它们相互之间的关系被抽象、建模。该模型中,个体具有各自的特征,嗅觉被定义为灵敏度,嗅觉使个体在搜索域内具有辨别能力。寻优过程中,个体不断调节其灵敏度,这一点类似于自然界中的学习和掌握知识的过程。

寻优搜索过程中,个体考虑过去的经验、知识,但不受其限制,它可以在规定范围内选择任何区域进行搜索,这是自由搜索算法的创新。自由搜索算法的一个重要特点是其灵活性。每个个体既可以进行局部搜索,也可以进行全局搜索,自己决定搜索步长。嗅觉灵敏度和灵活性相互关联,这种关联是该算法的基础。

自由搜索不同于其他模拟进化算法,它基于下列思想:“以不确定应对不确定,以无穷尽应对无穷尽”。ACOPSOGAES等算法的概念不能解释自由搜索算法的操作,尤其不能解释自由、不确定的个体行为,而“自由搜索”对于解释该算法的机理和个体行为却非常合适。在自由搜索算法模型中,一个搜索循环(一代)个体移动一个搜索步(Walk),每个搜索步包含T小步(Step),个体在多维空间作小步移动,其目的是发现目标函数更好的解。信息素(Pheromone)大小和目标函数解的质量成正比,完成一个搜索步后,信息素将完全更新。个体的本质是搜索过程中标记信息索的位置的一种抽象,这种抽象是对搜索空间认知的记忆。这些知识适用于所有个体在下一步搜索开始时选择起始点,这一过程持续到寻优结束。

寻优过程中,每个个体对于信息素都有自己的嗅觉灵敏度和倾向性,个体利用其灵敏度在搜索步中选择坐标点,这种选择是信息素和灵敏度的函数。个体可以选择任意标记信息素的坐标点,只要该点的信息素适合于它的灵敏度。不同的个体可以有不同的灵敏度,并且在寻优过程中,灵敏度会发生变化,即同一个体在不同的搜索步中有不同的灵敏度。

灵敏度是自由搜索算法的一个重要参数,个体可以搜索任何区域,可以在其自身的当前最佳值邻域周围,也可在其他个体或群体发现的当前最佳值邻域周围。增大灵敏度,个体将趋近整个群体的当前最佳值,局部搜索。减小灵敏度,个体可以在其他邻域进行搜索,全局搜索。灵敏度是自由搜索算法中的一个创新,在其他算法中没有类似的概念。它在算法中举足轻重,不仅对寻优搜索有导向作用,而且决定了目标函数在搜索空间中的收敛和发散。

在搜索步中,个体在邻域空间内小步移动。邻域空间预先设定,但在搜索过程中可以变化,不同个体的邻域大小不同,同一个体在搜索过程中邻域空间也可以变化。搜索步中的移动小步反映了个体的活动能力,移动小步可大可小、可变化。邻域空间是改变个体搜索范围的工具,邻域空间反映了个体的灵活性,它没有严格的定义,仅受到整个搜索空间的约束。在自由搜索优化算法中,灵敏度、搜索步、信息素可以实现自适应调整,它们通过概率的方法在随机搜索中完成。

综上所述,自由搜索优化算法的机理概括如下:
(1)简单智能的个体相互合作形成高智能群体。
(2)自然界的动物个体具有各异的嗅觉灵敏度和活动范围。即使同一个体在不同的时期、不同的环境,其灵敏度和活动范围亦会发生变化。
(3)个体有一定的记忆能力。
(4)采用信息素的概念。个体之间使用信息素进行间接通讯,信息素的大小与目标函数值成正比。
(5)个体行为考虑过去的经验和知识,但不受其限制,有自主决定能力。
(6)群体在整个搜索空间遍历。



发表评论

You must be logged in to post a comment.