INFO:一种基于向量加权平均的高效优化算法【免费获取Matlab代码】

本文主要是介绍INFO:一种基于向量加权平均的高效优化算法【免费获取Matlab代码】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

    • 1.背景
    • 2.算法原理
      • 2.1算法思想
      • 2.2算法过程
    • 3.结果展示
    • 4.参考文献
    • 5.代码获取


1.背景

2022年,I Ahmadianfar受到基于向量加权平均方法启发,提出了加权平均向量优化算法(weIghted meaN oF vectOrs, INFO)。

在这里插入图片描述
在这里插入图片描述

2.算法原理

2.1算法思想

INFO 是一种修改过的加权平均方法,采用加权平均的思想来构建稳固的结构,并通过三个核心程序更新向量的位置:更新规则、向量组合和局部搜索。更新规则阶段基于基于平均的法则和加速收敛生成新向量,向量组合阶段结合获得的向量和更新规则以达到有希望的解决方案,局部搜索阶段帮助该算法逃离低精度的解决方案,并提高利用率和收敛性。

在这里插入图片描述

2.2算法过程

更新规则阶段

在INFO算法中,更新规则算子增加了种群在搜索过程中的多样性。这个算子使用向量的加权平均值来创建新的向量。基于平均的规则被应用于MeanRule:
M e a n R u l e = r × W M 1 l g + ( 1 − r ) × W M 2 l g (1) MeanRule=r\times WM1_l^g+(1-r)\times WM2_l^g\tag{1} MeanRule=r×WM1lg+(1r)×WM2lg(1)
其中各参数为:
W M 1 i g = δ × w 1 ( x a 1 − x a 2 ) + w 2 ( x a 1 − x a 3 ) + w 3 ( x a 2 − x a 3 ) w 1 + w 2 + w 3 + ε + ε × r a n d (2) WM 1_{i}^{g}=\delta\times\frac{w_{_1}(x_{_{a1}}-x_{_{a2}})+w_{_2}(x_{_{a1}}-x_{_{a3}})+w_{_3}(x_{_{a2}}-x_{_{a3}})}{w_{_1}+w_{_2}+w_{_3}+\varepsilon}+\varepsilon\times rand\tag{2} WM1ig=δ×w1+w2+w3+εw1(xa1xa2)+w2(xa1xa3)+w3(xa2xa3)+ε×rand(2)

W M 2 l g = δ × w 1 ( x b s − x b t ) + w 2 ( x b s − x w s ) + w 3 ( x b t − x w s ) w 1 + w 2 + w 3 + ε + ε × r a n d (3) WM 2_{l}^{g} = \delta\times\frac{w_{ 1}(x_{ bs} - x_{ bt} )+w_{ 2}(x_{ bs} - x_{ ws} )+w_{ 3}(x_{ bt} - x_{ ws} )}{w_{ 1} + w_{ 2} + w_{ 3} + \varepsilon}+\varepsilon\times rand\tag{3} WM2lg=δ×w1+w2+w3+εw1(xbsxbt)+w2(xbsxws)+w3(xbtxws)+ε×rand(3)
根据小波理论,WFs(波形函数)被用来根据两个原因调整MeanRule空间:(1)通过在优化过程中创建有效的振荡,帮助算法更有效地探索搜索空间并实现更好的解决方案;(2)通过控制引入WFs的扩张参数来生成微调,该参数用于调整WF的振幅。其中,δ是缩放因子,而β可以基于定义的指数函数进行变化:
δ = 2 β × r a n d − β β = 2 exp ⁡ ( − 4 × g M a x g ) (4) \begin{aligned}&\delta=2\beta\times rand-\beta\\&\beta=2\exp(-4\times\frac{g}{Maxg})\end{aligned}\tag{4} δ=2β×randββ=2exp(4×Maxgg)(4)
在更新规则操作中,还增加了收敛加速部分(CA),使用最佳向量在搜索空间中移动当前向量以提升全局搜索能力。在INFO算法中,假设最佳解决方案是最接近全局最优的解决方案。实际上,CA帮助向量朝更好的方向移动:
C A = r a n d n × ( x b s − x a 1 ) ( f ( x b s ) − f ( x a 1 ) + ε ) (5) CA=randn\times\frac{\left(x_{bs}-x_{a1}\right)}{\left(f\left(x_{bs}\right)-f\left(x_{a1}\right)+\varepsilon\right)}\tag{5} CA=randn×(f(xbs)f(xa1)+ε)(xbsxa1)(5)
计算新向量:
z l g = x l g + σ × M e a n R u l e + C A (6) z_{ l}^{ g}=x_{ l}^{ g}+\sigma\times MeanRule+CA\tag{6} zlg=xlg+σ×MeanRule+CA(6)

以rand<0.5进行切换:
在这里插入图片描述
α 可以根据方程中定义的指数函数进行改变:
σ = 2 α × r a n d − α α = c exp ⁡ ( − d × g M a x g ) (7) \begin{aligned}&\sigma=2\alpha\times rand-\alpha\\&\alpha=c\exp(-d\times\frac{g}{Maxg})\end{aligned}\tag{7} σ=2α×randαα=cexp(d×Maxgg)(7)

矢量组合阶段

为了增强INFO中种群的多样性,生成新向量:
在这里插入图片描述

局部搜索阶段

有效的局部搜索能力可以防止INFO算法被欺骗和陷入局部最优解,以进一步促进开发、搜索和收敛到全局最优解:
在这里插入图片描述
伪代码
在这里插入图片描述

3.结果展示

在这里插入图片描述
在这里插入图片描述

4.参考文献

[1] Ahmadianfar I, Heidari A A, Noshadian S, et al. INFO: An efficient optimization algorithm based on weighted mean of vectors[J]. Expert Systems with Applications, 2022, 195: 116516.

5.代码获取

这篇关于INFO:一种基于向量加权平均的高效优化算法【免费获取Matlab代码】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/1122815

相关文章

MySQL进行数据库审计的详细步骤和示例代码

《MySQL进行数据库审计的详细步骤和示例代码》数据库审计通过触发器、内置功能及第三方工具记录和监控数据库活动,确保安全、完整与合规,Java代码实现自动化日志记录,整合分析系统提升监控效率,本文给大... 目录一、数据库审计的基本概念二、使用触发器进行数据库审计1. 创建审计表2. 创建触发器三、Java

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

Java docx4j高效处理Word文档的实战指南

《Javadocx4j高效处理Word文档的实战指南》对于需要在Java应用程序中生成、修改或处理Word文档的开发者来说,docx4j是一个强大而专业的选择,下面我们就来看看docx4j的具体使用... 目录引言一、环境准备与基础配置1.1 Maven依赖配置1.2 初始化测试类二、增强版文档操作示例2.

一文详解如何使用Java获取PDF页面信息

《一文详解如何使用Java获取PDF页面信息》了解PDF页面属性是我们在处理文档、内容提取、打印设置或页面重组等任务时不可或缺的一环,下面我们就来看看如何使用Java语言获取这些信息吧... 目录引言一、安装和引入PDF处理库引入依赖二、获取 PDF 页数三、获取页面尺寸(宽高)四、获取页面旋转角度五、判断

MySQL深分页进行性能优化的常见方法

《MySQL深分页进行性能优化的常见方法》在Web应用中,分页查询是数据库操作中的常见需求,然而,在面对大型数据集时,深分页(deeppagination)却成为了性能优化的一个挑战,在本文中,我们将... 目录引言:深分页,真的只是“翻页慢”那么简单吗?一、背景介绍二、深分页的性能问题三、业务场景分析四、

Linux进程CPU绑定优化与实践过程

《Linux进程CPU绑定优化与实践过程》Linux支持进程绑定至特定CPU核心,通过sched_setaffinity系统调用和taskset工具实现,优化缓存效率与上下文切换,提升多核计算性能,适... 目录1. 多核处理器及并行计算概念1.1 多核处理器架构概述1.2 并行计算的含义及重要性1.3 并

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

Java中的雪花算法Snowflake解析与实践技巧

《Java中的雪花算法Snowflake解析与实践技巧》本文解析了雪花算法的原理、Java实现及生产实践,涵盖ID结构、位运算技巧、时钟回拨处理、WorkerId分配等关键点,并探讨了百度UidGen... 目录一、雪花算法核心原理1.1 算法起源1.2 ID结构详解1.3 核心特性二、Java实现解析2.

Java中调用数据库存储过程的示例代码

《Java中调用数据库存储过程的示例代码》本文介绍Java通过JDBC调用数据库存储过程的方法,涵盖参数类型、执行步骤及数据库差异,需注意异常处理与资源管理,以优化性能并实现复杂业务逻辑,感兴趣的朋友... 目录一、存储过程概述二、Java调用存储过程的基本javascript步骤三、Java调用存储过程示

Visual Studio 2022 编译C++20代码的图文步骤

《VisualStudio2022编译C++20代码的图文步骤》在VisualStudio中启用C++20import功能,需设置语言标准为ISOC++20,开启扫描源查找模块依赖及实验性标... 默认创建Visual Studio桌面控制台项目代码包含C++20的import方法。右键项目的属性: