智能优化算法：瞬态搜索优化算法
文章目录
智能优化算法：瞬态搜索优化算法1.算法原理2.算法结果3.参考文献4.Matlab代码摘要：瞬态搜索优化算法（Transient search optimization (TSO)）是于提出的，一种新的基于物理的启发式优化算法。该算法的灵感来自于包含电感和电容等存储元件的开关电路的瞬态行为。
1.算法原理
该算法的灵感来自于包含电感和电容等存储元件的开关电路的瞬态行为。
在这一部分中，TSO算法被建模为: 1)初始化搜索代理在搜索区域的上下界之间; 2) 寻找最佳解决方案(探索);3) 达到稳定状态或最佳解决方案(开发)。
首先，搜索代理的初始化是随机生成的，如式(1)所示.
Y = l b + r a n d ∗ ( u b − l b ) (1) Y=lb+rand*(ub-lb)\tag{1} Y=lb+rand∗(ub−lb)(1)
其次，TSO的探测行为是受到图1所示的二阶电路在零点附近振荡的启发。如图1所示，TSO的爆炸是由一阶放电的指数衰减引起的。利用随机数r1来平衡勘探(r1≥0.5)和开发(r1<0.5)来描述。方程(2)给出了TSO算法的开发和探索的数学模型。
图1
Y l + 1 = { Y l ∗ + ( Y l − C l Y l ∗ ) e − T , r 1 < 0.5 Y l ∗ + e − T ( c o s ( 2 π T ) + s i n ( 2 π T ) ) ∣ Y l − C l Y l ∗ ∣ , e l s e (2) Y_{l+1}=\begin{cases} Y_l^*+(Y_l-C_lY_l^*)e^{-T},r_1<0.5\\ Y_l^*+e^{-T}(cos(2\pi T)+sin(2\pi T))|Y_l-C_lY_l^*|,else\end{cases}\tag{2} Yl+1={Yl∗+(Yl−ClYl∗)e−T,r1<0.5Yl∗+e−T(cos(2πT)+sin(2πT))∣Yl−ClYl∗∣,else(2)
C l = k ∗ z ∗ r 3 + 1 (3) C_l=k*z*r_3+1\tag{3} Cl=k∗z∗r3+1(3)
T = 2 ∗ z ∗ r 2 − z (4) T=2*z*r_2-z \tag{4} T=2∗z∗r2−z(4)
z = 2 − 2 l l m a x (5) z=2-\frac{2l}{l_{max}}\tag{5} z=2−lmax2l(5)
其中： l b lb lb和 u b ub ub搜索区域的下界和上界， r a n d rand rand为随机数服从均匀分布， z z z为衰减系数变量从2变为0。 C l , T C_l,T Cl,T为热阻系数。 r 1 , r 2 , r 3 r_1,r_2,r_3 r1,r2,r3为[0,1]内随机数。 Y l Y_l Yl为搜索代理的位置。 Y l ∗ Y_l^* Yl∗为当前最佳解。 l l l为迭代次数， l m a x l_{max} lmax为最大迭代次数， k k k为常数（k=0,1,2…)。
算法流程如下：
步骤1：初始化算法种群 Y Y Y。
步骤2：更新 C l C_l Cl和 T T T系数根据式（3）-（5）。
步骤3：更新位置根据式（2）。
步骤4：评估适应度值及更新最优位置。
步骤7：判断是否满足最大迭代次数，若满足，则输出最优位置和全局最优解，否则，返回步骤2重新迭代计算。
2.算法结果
3.参考文献
[1] Qais M H , Hasanien H M , Alghuwainem S . Transient search optimization: a new meta-heuristic optimization algorithm[J]. Applied Intelligence, .
