智能优化算法：龙格-库塔优化算法
文章目录
摘要：龙格-库塔优化算法（Runge Kutta optimizer，RUN）是于2021年提出的一种新型智能优化算法，该算法基于龙格-库塔方法中提出的计算梯度搜索概念来指导寻优，具有寻优能力强，收敛速度快等特点。
1.算法原理
1.1 搜索机制
该算法的搜索机制基于RK方法，使用一组随机解搜索决策空间，并实现适当的全局和局部搜索。采用4阶RK方法。
S
M
=
1
6
(
x
R
K
)
Δ
x
(1)
SM=\frac{1}{6}(x_{RK})\Delta x\tag{1}
SM=61(xRK)Δx(1)
x R K = k 1 + 2 k 2 + 2 k 3 + k 4 (2) x_{RK}=k_1+2k_2+2k_3+k_4 \tag{2} xRK=k1+2k2+2k3+k4(2)
k 1 = 1 2 Δ x ( r a n d ∗ x w − u ∗ x b ) (3) k_1=\frac{1}{2\Delta x}(rand*x_w-u*x_b)\tag{3} k1=2Δx1(rand∗xw−u∗xb)(3)
u = r o u n d ( 1 + r a n d ) ∗ ( 1 − r a n d ) (4) u=round(1+rand)*(1-rand)\tag{4} u=round(1+rand)∗(1−rand)(4)
k 2 = 1 2 Δ x ( r a n d ( x w + r a n d 1 ∗ k 1 ∗ Δ x ) − ( u x b + r a n d 2 ∗ k 1 Δ x ) ) (5) k_2=\frac{1}{2\Delta x}(rand(x_w+rand_1*k_1*\Delta x)-(ux_b+rand_2*k_1\Delta x))\tag{5} k2=2Δx1(rand(xw+rand1∗k1∗Δx)−(uxb+rand2∗k1Δx))(5)
k 3 = 1 2 Δ x ( r a n d ( x w + r a n d 1 ( k 2 / 2 ) Δ x ) − ( u x b + r a n d 2 ( k 2 / 2 ) Δ x ) ) (6) k_3=\frac{1}{2\Delta x}(rand(x_w+rand_1(k_2/2)\Delta x)-(ux_b+rand_2(k_2/2)\Delta x))\tag{6} k3=2Δx1(rand(xw+rand1(k2/2)Δx)−(uxb+rand2(k2/2)Δx))(6)
k 4 = 1 2 Δ x ( r a n d ∗ ( x w + r a n d 1 k 3 Δ x ) − ( u x b + r a n d 2 k 3 Δ x ) ) (7) k_4=\frac{1}{2\Delta x}(rand*(x_w+rand_1k_3\Delta x)-(ux_b+rand_2k_3\Delta x))\tag{7} k4=2Δx1(rand∗(xw+rand1k3Δx)−(uxb+rand2k3Δx))(7)
Δ x = 2 ∗ r a n d ∗ ∣ S t p ∣ (8) \Delta x=2*rand*|Stp| \tag{8} Δx=2∗rand∗∣Stp∣(8)
S t p = r a n d ∗ ( ( x b − r a n d ∗ x a v g ) + γ ) (9) Stp=rand*((x_b-rand*x_{avg})+\gamma) \tag{9} Stp=rand∗((xb−rand∗xavg)+γ)(9)
γ = r a n d ∗ ( x n − r a n d ∗ ( u − l ) ∗ e x p ( − 4 i / M a x i ) ) (10) \gamma=rand*(x_n-rand*(u-l)*exp(-4i/Max_i))\tag{10} γ=rand∗(xn−rand∗(u−l)∗exp(−4i/Maxi))(10)
其中 x b x_b xb和 x w x_w xw分别为种群的最优解和最差解。 r a n d 1 , r a n d 2 rand_1,rand_2 rand1,rand2为[0,1]之间的随机数。 x a v g x_{avg} xavg为种群的平均值。 i i i为当前迭代次数， M a x i Max_i Maxi为最大迭代次数。
1.2 位置更新
RUN算法的位置更新如式（11）所示
x
n
+
1
=
{
(
x
c
+
r
∗
S
F
∗
g
∗
x
c
)
+
S
F
∗
S
M
+
u
∗
x
s
,
i
f
r
a
n
d
<
0.5
(
x
m
+
r
∗
S
F
∗
g
∗
x
m
)
+
S
F
∗
S
M
+
u
∗
x
s
′
,
e
l
s
e
(11)
x_{n+1}=\begin{cases} (x_c+r*SF*g*x_c)+SF*SM+u*x_s,if \, rand<0.5\\ (x_m+r*SF*g*x_m)+SF*SM+u*x_s',else \end{cases}\tag{11}
xn+1={(xc+r∗SF∗g∗xc)+SF∗SM+u∗xs,ifrand<0.5(xm+r∗SF∗g∗xm)+SF∗SM+u∗xs′,else(11)
x s = r a n d n ∗ ( x m − x c ) (12) x_s=randn*(x_m-x_c)\tag{12} xs=randn∗(xm−xc)(12)
x s ′ = r a n d n ∗ ( x r 1 − x r 2 ) (13) xs'=randn*(x_{r1}-x_{r2})\tag{13} xs′=randn∗(xr1−xr2)(13)
中， r r r是1或-1的整数； g g g是[0,2]的随机数； S F SF SF是自适应因子； u u u为随机数。
SF计算如下：
S
F
=
2
∗
(
0.5
−
r
a
n
d
)
∗
f
(13)
SF=2*(0.5-rand)*f\tag{13}
SF=2∗(0.5−rand)∗f(13)
f = a ∗ e x p ( − b ∗ r a n d ∗ i / M a x i ) (14) f=a*exp(-b*rand*i/Max_i)\tag{14} f=a∗exp(−b∗rand∗i/Maxi)(14)
其中 i i i为当前迭代次数， M a x i Max_i Maxi为最大迭代次数。 a a a和 b b b为一个常数。 r a n d rand rand为[0,1]之间的随机数。
x
c
x_c
xc和
x
m
x_m
xm的定义如下：
x
c
=
φ
x
n
+
(
1
−
φ
)
∗
x
r
1
(15)
x_c=\varphi x_n+(1-\varphi)*x_{r_1} \tag{15}
xc=φxn+(1−φ)∗xr1(15)
x m = φ x b e s t + ( 1 − φ ) x l b e s t (16) x_m=\varphi x_{best}+(1-\varphi)x_{lbest} \tag{16} xm=φxbest+(1−φ)xlbest(16)
其中 φ \varphi φ为[0,1]之间的随机数; x b e s t x_{best} xbest为全局最优解； x l b e s t x_{lbest} xlbest是每代最优位置。
1.3 解质量增强（ESQ）
在该算法中，采用解质量增强(ESQ)的方法来提高解的质量，避免每次迭代中出现局部最优。通过使用ESQ执行以下公式产生新解(
x
n
e
w
2
x_{new2}
xnew2):
x
n
e
w
2
=
{
x
n
e
w
1
+
r
w
∣
(
x
n
e
w
1
−
x
a
v
g
)
+
r
a
n
d
n
∣
,
r
a
n
d
<
0.5
,
w
<
1
(
x
n
e
w
1
−
x
a
v
g
)
+
r
w
∣
(
u
x
n
e
w
1
−
x
a
v
g
)
+
r
a
n
d
n
∣
,
r
a
n
d
<
0.5
,
w
≥
1
(17)
x_{new2}=\begin{cases} x_{new1}+rw|(x_{new_1}-x_{avg})+randn|,rand<0.5,w<1\\ (x_{new1}-x_{avg})+rw|(ux_{new1}-x_avg)+randn|,rand<0.5,w\geq 1 \end{cases}\tag{17}
xnew2={xnew1+rw∣(xnew1−xavg)+randn∣,rand<0.5,w<1(xnew1−xavg)+rw∣(uxnew1−xavg)+randn∣,rand<0.5,w≥1(17)
其中：
w
=
r
a
n
d
(
0
,
2
)
∗
e
x
p
(
−
c
i
/
M
a
x
i
)
(18)
w=rand(0,2)*exp(-ci/Max_i) \tag{18}
w=rand(0,2)∗exp(−ci/Maxi)(18)
x a v g = x r 1 + x r 2 + x r 3 3 (19) x_{avg}=\frac{x_{r1}+x_{r2}+x_{r3}}{3} \tag{19} xavg=3xr1+xr2+xr3(19)
x n e w 1 = β ∗ x a v g + ( 1 − β ) x b e s t (20) x_{new1}=\beta*x_{avg}+(1-\beta)x_{best} \tag{20} xnew1=β∗xavg+(1−β)xbest(20)
其中，
β
\beta
β为[0,1]之间随机数。
c
c
c为[0,5]之间随机数;
r
r
r是1、0或-1的随机整数;
x
b
e
s
t
x_{best}
xbest表示全局最优位置。该部分计算的解
x
n
e
w
2
x_{new2}
xnew2可能比不上当前解。为了增强解的质量，将生成另一个新解
x
n
e
w
3
x_{new3}
xnew3 ，定义如下：
x
n
e
w
3
=
(
x
n
e
w
2
−
r
a
n
d
x
n
e
w
2
)
+
S
F
(
r
a
n
d
∗
x
R
K
+
(
v
x
b
−
x
n
e
w
2
)
)
(21)
x_{new3}=(x_{new2}-randx_{new2})+SF(rand*x_{RK}+(vx_b-x_{new2}))\tag{21}
xnew3=(xnew2−randxnew2)+SF(rand∗xRK+(vxb−xnew2))(21)
其中，
v
v
v为2*rand的随机数。
算法伪代码如下：
Algorithm 1. The pseudo-code of RUN
Stage 1. Initialization
Initializea,b
Generate the RUN population X n (n = 1,2,…,N)
Calculate the objective function of each member of population
Determine the solutions x w , x b , andx best
Stage 2. RUN operators
for i = 1: Maxi
for n = 1 : N
for l = 1 : D
Calculate position x n+1,l using Eq. (11)
end for
Enhance the solution quality
ifrand < 0.5
Calculate position x new2 using Eq. (17)
if f(x n ) < f(x new2 )
if rand<w
Calculate position x new3 using Eq. (21)
end
end
end
Update positions x w andx b
end for
Update positionx best
i = i + 1
end
Stage 3. returnx best
2.实验结果
3.参考文献
[1] Iman Ahmadianfar, Ali Asghar Heidari, Amir H. Gandomi, Xuefeng Chu, Huiling Chen. RUN beyond the metaphor: An efficient optimization algorithm based on Runge Kutta method[J]. Expert Systems with Applications, 2021, 181(115079): 0957-4174.
4.Matlab代码
d the metaphor: An efficient optimization algorithm based on Runge Kutta method[J]. Expert Systems with Applications, 2021, 181(115079): 0957-4174.