Оптимизация на основе биогеографии - Википедия - Biogeography-based optimization

Оптимизация на основе биогеографии (BBO) является эволюционный алгоритм (EA) что оптимизирует а функция к стохастически и итеративно улучшение возможные решения в отношении данной меры качества, или фитнес-функция. BBO относится к классу метаэвристика поскольку он включает в себя множество вариаций, и поскольку он не делает никаких предположений о проблеме и, следовательно, может применяться к широкому классу проблем.

BBO обычно используется для оптимизации многомерных функций с действительными значениями, но не использует градиент функции, что означает, что она не требует, чтобы функция была дифференцируемый в соответствии с требованиями классических методов оптимизации, таких как градиентный спуск и квазиньютоновские методы. Следовательно, BBO можно использовать на дисках.непрерывные функции.

BBO оптимизирует проблему, поддерживая набор возможных решений и создавая новые возможные решения, комбинируя существующие в соответствии с простой формулой. Таким образом целевая функция рассматривается как черный ящик, который просто обеспечивает меру качества данного возможного решения, и градиент функции не требуется.

Как и многие советники, BBO был мотивирован естественным процессом; в частности, BBO был мотивирован биогеография, который является изучением распределения биологических видов во времени и пространстве.^[1] BBO был первоначально представлен Дэн Саймон в 2008.^[2]

Основные принципы

Математические модели биогеография описывать видообразование (эволюция новых разновидность ), миграция видов (животных, рыб, птиц или насекомых) между островами и вымирание видов.^[3] Считается, что острова, благоприятные для жизни, имеют высокий индекс пригодности среды обитания (HSI).^[4] Характеристики, которые коррелируют с HSI, включают количество осадков, растительное разнообразие, топографическое разнообразие, площадь суши, температуру и другие. Определяющие характеристики называются переменными индекса пригодности (SIV). С точки зрения обитаемости, SIV являются независимыми переменными, а HSI - зависимой переменной.

Острова с высоким HSI могут поддерживать многие виды, а острова с низким HSI могут поддерживать только несколько видов. На островах с высоким HSI есть много видов, которые эмигрировать в близлежащие места обитания из-за больших популяций и большого количества видов, которые они содержат. Обратите внимание, что эмиграция с острова с высоким HSI не происходит, потому что виды хотеть покинуть свой дом; в конце концов, их родной остров - привлекательное место для жизни. Эмиграция происходит из-за накопления случайных воздействий на большое количество видов с большими популяциями. Эмиграция происходит во время езды животных обломки плавать, летать или кататься на ветру к соседним островам. Когда вид эмигрирует с острова, это не означает, что вид полностью исчезает с его первоначального острова; эмигрируют лишь несколько представителей, поэтому эмигрирующий вид остается на своем первоначальном острове, в то же время мигрируя на соседний остров. Однако в BBO предполагается, что эмиграция с острова приводит к исчезновению с этого острова. Это предположение необходимо в BBO, потому что виды представляют собой независимые переменные функции, а каждый остров представляет собой возможное решение задачи оптимизации функции.

Острова с высоким уровнем HSI не только имеют высокий уровень эмиграции, но и низкий уровень иммиграции, потому что они уже поддерживают многие виды. Виды, которые мигрируют на такие острова, будут иметь тенденцию к вымиранию, несмотря на высокий HSI острова, потому что существует слишком большая конкуренция за ресурсы со стороны других видов.

Острова с низким уровнем HSI имеют высокий уровень иммиграции из-за их низкой численности населения. Опять же, это не потому, что виды хотеть иммигрировать на такие острова; в конце концов, эти острова - нежелательное место для жизни. Причина иммиграции на эти острова заключается в том, что здесь много места для дополнительных видов. Другой вопрос, сможет ли иммигрантский вид выжить в своем новом доме и как долго. Тем не мение, видовое разнообразие коррелирует с HSI, поэтому, когда больше видов прибывает на остров с низким HSI, HSI острова будет иметь тенденцию к увеличению.^[4]

На рисунке справа показана модель миграции с острова.^[3] Скорость иммиграции ${ displaystyle lambda}$ и уровень эмиграции ${ displaystyle mu}$ зависят от количества видов на острове. Максимально возможная иммиграционная ставка ${ displaystyle I}$ происходит, когда на острове нет ни одного вида. По мере увеличения числа видов остров становится более многолюдным, меньшее количество видов может выжить при иммиграции, а скорость иммиграции снижается. Максимально возможное количество видов, которые может поддерживать среда обитания, - это ${ displaystyle S _ { max}}$, после чего уровень иммиграции равен нулю. Если на острове нет видов, то уровень эмиграции равен нулю. По мере того, как количество видов на острове увеличивается, он становится более многолюдным, больше представителей видов могут покинуть остров, а скорость эмиграции увеличивается. Когда на острове обитает наибольшее количество возможных видов ${ displaystyle S _ { max}}$, темпы эмиграции достигают максимально возможного значения ${ displaystyle E}$.

Модель иммиграции ${ displaystyle lambda}$ и эмиграция ${ displaystyle mu}$ вероятности. ${ displaystyle S_ {0}}$ - равновесное количество видов, а ${ displaystyle S _ { max}}$ - это максимальное количество видов, которое может поддерживать остров. ${ displaystyle I}$ и ${ displaystyle E}$ - максимальные уровни иммиграции и эмиграции соответственно.

В BBO, ${ displaystyle lambda _ {k}}$ вероятность того, что данная независимая переменная в ${ displaystyle k}$-й вариант решения будет заменен; то есть, ${ displaystyle lambda _ {k}}$ вероятность иммиграции ${ displaystyle x_ {k}}$. Если необходимо заменить независимую переменную, то решение кандидата на эмиграцию выбирается с вероятностью, которая пропорциональна вероятности эмиграции. ${ displaystyle mu _ {k}}$. Обычно это выполняется с помощью выбор колеса рулетки.

${ displaystyle { text {Prob}} (x_ {j}) { text {выбран для эмиграции}} = { frac { mu _ {j}} { sum _ {i = 1} ^ {N } mu _ {i}}}}$

за ${ Displaystyle J = 1, cdots, N}$, куда ${ displaystyle N}$ количество возможных решений в популяции.

Алгоритм

Как и большинство других советников, BBO включает мутация. Базовый алгоритм BBO с размером популяции ${ displaystyle N}$ для оптимизации ${ displaystyle n}$-мерную функцию можно описать следующим образом.

Инициализировать популяцию ${ displaystyle N}$ возможные решения ${ displaystyle  {x_ {k} }}$ В то время как не(критерий прекращения) Для каждого ${ displaystyle x_ {k}}$, установить вероятность эмиграции ${ displaystyle  mu _ {k}  propto}$ пригодность ${ displaystyle x_ {k}}$, делать        с ${ displaystyle  mu _ {k}  in [0,1]}$    Для каждого ${ displaystyle x_ {k}}$, установить вероятность иммиграции ${ displaystyle  lambda _ {k} = 1-  mu _ {k}}$ делать    ${ displaystyle  {z_ {k} }  leftarrow  {x_ {k} }}$    Для каждого индивидуальный ${ Displaystyle Z_ {к} (к = 1,  cdots, N)}$ делать        Для каждого индекс независимой переменной ${ displaystyle s  in [1, n]}$ делать            Использовать ${ displaystyle  lambda _ {k}}$ вероятностно решить, иммигрировать ли в ${ displaystyle z_ {k}}$            Если иммигрант тогда                Использовать ${ Displaystyle  { му _ {я} }}$ для вероятностного отбора эмигрирующего человека ${ displaystyle x_ {j}}$                ${ displaystyle z_ {k} (s)  leftarrow x_ {j} (s)}$            Конец, если        Следующий индекс независимой переменной: ${ displaystyle s  leftarrow s + 1}$        Вероятностно мутировать ${ displaystyle z_ {k}}$    Следующее лицо: ${ displaystyle k  leftarrow k + 1}$    ${ displaystyle  {x_ {k} }  leftarrow  {z_ {k} }}$Следующее поколение

Обсуждение алгоритма BBO

• Численность населения ${ displaystyle N}$ - параметр настройки. Если ${ displaystyle N}$ слишком маленький или слишком большой, тогда производительность оптимизации BBO пострадает. Типичные реализации BBO используют значение ${ displaystyle N}$ где-то между 20 и 200.
• Начальная популяция возможных решений ${ Displaystyle {x_ {k} } _ {k = 1} ^ {N}}$ обычно генерируется случайным образом. Однако он может быть сгенерирован проблемно-зависимым образом на основе некоторых разумных предположений или ранее известных хороших решений проблемы оптимизации.
• Критерий прекращения зависит от проблемы, как и в любом другом советнике. В большинстве приложений критерием завершения является предел количества поколений или предел оценки функции (то есть, как часто оценивается целевая функция).
• ${ displaystyle {z_ {k} }}$ - это временная популяция, так что все эмигрирующие переменные могут происходить из популяции, которая существует в начале поколения, то есть ${ displaystyle {x_ {k} }}$.

Алгоритмические вариации

Было предложено множество вариаций базового алгоритма BBO, среди которых можно выделить следующие.

• Элитарность реализована в большинстве советников, чтобы гарантировать, что лучший вариант решения не будет утерян от одного поколения к другому. Это может быть реализовано различными способами, но один из распространенных способов - сохранить лучшие варианты решений в начале каждого поколения в наборе. ${ displaystyle mathbb {E}}$; затем замените худшие возможные решения на ${ displaystyle mathbb {E}}$ в конце поколения, после завершения миграции и мутации. Размер ${ displaystyle mathbb {E}}$ параметр настройки, но ${ displaystyle mathbb {E}}$ обычно включает двух лучших людей. Первоначально элитарность предлагалась для генетические алгоритмы пользователя DeJong.^[5] Элитарность может существенно повлиять на эффективность BBO, и поэтому настоятельно рекомендуется.
• В BBO часто применяется дублирующая замена. Это процедура в конце каждого поколения, которая заменяет повторяющихся особей в популяции. Поиск дубликатов может потребовать больших вычислительных ресурсов, потому что это ${ displaystyle O (N ^ {2})}$ операция, поэтому она часто выполняется только каждые несколько поколений, а не каждое поколение.
• Смешивание может быть реализовано в BBO. При смешивании вместо замены ${ displaystyle z_ {k} (s)}$ в решении иммиграционного кандидата с ${ displaystyle x_ {j} (s)}$ из решения эмигрантского кандидата, ${ displaystyle z_ {k} (s)}$ устанавливается равным линейной комбинации исходного значения и ${ displaystyle x_ {j} (s)}$:

${ displaystyle z_ {k} (s) leftarrow alpha z_ {k} (s) + (1- alpha) x_ {j} (s)}$

куда ${ Displaystyle альфа в [0,1]}$, и ${ Displaystyle альфа = 0}$ соответствует стандартной миграции, как показано в алгоритме выше. Смешанный BBO основан на смешанном кроссовере в генетических алгоритмах,^[6] и было показано, что он превосходит стандартный BBO.^[7]

• Алгоритм BBO, представленный выше, называется BBO на основе частичной иммиграции, потому что решение кандидата на иммиграцию выбирается до выбора решения кандидата на иммиграцию, а миграция для каждой независимой переменной в решении кандидата на иммиграцию выполняется независимо от всех других независимых переменных. Также были предложены другие подходы к выбору возможных решений для иммиграции и эмиграции.^[8][9]
• Кривые миграции на приведенном выше рисунке линейны, но нелинейные кривые миграции часто дают лучшие характеристики.^[10]

Гибридизация

• BBO был гибридизирован с несколькими другими советниками, включая оптимизация роя частиц,^[9][11] дифференциальная эволюция,^[12] стратегия эволюции,^[13] вычисления на основе оппозиции,^[14] аргументация по делу,^[15] алгоритм искусственной пчелиной семьи,^{[нужна цитата ]} оптимизация бактериального кормления,^[16] поиск гармонии,^[17] и симплексный алгоритм.^[18]
• BBO можно объединить с локальным поиском для создания меметический алгоритм это работает намного лучше, чем только BBO.^[19]

Программного обеспечения

MATLAB

• Следующий код MATLAB дает реализацию BBO для минимизации 20-мерного Функция Розенброка. Обратите внимание, что следующий код очень простой, хотя и включает элитарность. Серьезная реализация BBO должна включать некоторые из описанных выше вариаций, таких как дублирующая замена, смешивание, нелинейная миграция и локальная оптимизация.

функция BBO% Оптимизация на основе биогеографии (BBO) для минимизации непрерывной функции% Эта программа была протестирована с MATLAB R2012bGenerationLimit = 50; % ограничение количества поколений Численность населения = 50; % численность населенияПроблема Размер = 20; % количество переменных в каждом решении (т. е. размер проблемы)Мутация Вероятность = 0.04; % вероятности мутации на решение по независимой переменнойNumberOfElites = 2; % сколько лучших решений передать от поколения к поколениюMinDomain = -2.048; % нижняя граница каждого элемента области функцииMaxDomain = +2.048; % верхняя граница каждого элемента области функции% Инициализировать популяциюrng(круглый(сумма(100*Часы))); % инициализировать генератор случайных чиселИкс = нули(Численность населения, Проблема Размер); % выделить память для населенияза индекс = 1 : Численность населения % случайно инициализировать совокупность    Икс(индекс, :) = MinDomain + (MaxDomain - MinDomain) * ранд(1, Проблема Размер);конецРасходы = РозенброкСтоимость(Икс); % вычислить стоимость каждого человека [Икс, Расходы] = PopulationSort(Икс, Расходы); % отсортировать население от лучшего к худшемуMinimumCost = нули(GenerationLimit, 1); % выделить памятьMinimumCost(1) = Расходы(1); % экономия лучших затрат при каждом поколении в массиве MinimumCostдисп(['Генерация 0 мин. Стоимость =', num2str(MinimumCost(1))]);z = нули(Численность населения, Проблема Размер); % выделить память для временного населения% Вычислить коэффициенты миграции при условии, что совокупность отсортирована от наиболее подходящей к наименее подходящейму = (Численность населения + 1 - (1:Численность населения)) / (Численность населения + 1); % эмиграциилямбда = 1 - му; % иммиграционной ставкиза Поколение = 1 : GenerationLimit    % Экономьте лучшие решения и затраты в элитных массивах    Элитные решения = Икс(1 : NumberOfElites, :);    EliteCosts = Расходы(1 : NumberOfElites);    % Используйте скорость миграции, чтобы решить, какой объем информации следует разделять между решениями    за k = 1 : Численность населения        % Вероятностный переход к k-му решению        за j = 1 : Проблема Размер            если ранд < лямбда(k) % Следует ли нам иммигрировать?                % Да - выберите решение, из которого эмигрировать (выбор колеса рулетки)                RandomNum = ранд * сумма(му);                Выбирать = му(1);                SelectIndex = 1;                пока (RandomNum > Выбирать) && (SelectIndex < Численность населения)                    SelectIndex = SelectIndex + 1;                    Выбирать = Выбирать + му(SelectIndex);                конец                z (k, j) = Икс(SelectIndex, j); % это шаг миграции            еще                z (k, j) = Икс(k, j); % нет миграции для этой независимой переменной            конец        конец    конец    % Мутация    за k = 1 : Численность населения        за ParameterIndex = 1 : Проблема Размер            если ранд < Мутация Вероятность                z(k, ParameterIndex) = MinDomain + (MaxDomain - MinDomain) * ранд;            конец        конец    конец    Икс = z; % заменяют решения их новыми перенесенными и измененными версиями    Расходы = РозенброкСтоимость(Икс); % рассчитать стоимость    [Икс, Расходы] = PopulationSort(Икс, Расходы); % сортировать совокупность и стоимость от лучшего к худшему    за k = 1 : NumberOfElites % заменить худших людей элитой предыдущего поколения        Икс(Численность населения-k+1, :) = Элитные решения(k, :);        Расходы(Численность населения-k+1) = EliteCosts(k);    конец    [Икс, Расходы] = PopulationSort(Икс, Расходы); % сортировать совокупность и стоимость от лучшего к худшему    MinimumCost(Поколение+1) = Расходы(1);    дисп(['Поколение ', num2str(Поколение), 'минимальная стоимость =', num2str(MinimumCost(Поколение+1))])конец% Завершите его отображением лучшего решения и нанесением результатов на графикдисп(['Лучшее решение найдено =', num2str(Икс(1, :))])Закрыть всеучасток(0:GenerationLimit, MinimumCost);xlabel('Поколение')ярлык(«Минимальная стоимость»)возвращаться%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%функция[x, Стоимость] =PopulationSort(x, Стоимость)% Сортировка населения и затрат от лучшего к худшему[Расходы, индексы] = Сортировать(Расходы, 'ascend');Икс = Икс(индексы, :);возвращаться%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%функция[Расходы] =РозенброкСтоимость(Икс)% Вычислить значение функции Розенброка для каждого элемента в xNumberOfDimensions = размер(Икс, 2);Расходы = нули(размер(Икс, 1), 1); % выделить память для массива затратза PopulationIndex = 1 : длина(Икс)    Расходы(PopulationIndex) = 0;    за я = 1 : NumberOfDimensions-1        Temp1 = Икс(PopulationIndex, я);        Temp2 = Икс(PopulationIndex, я+1);        Расходы(PopulationIndex) = Расходы(PopulationIndex) + 100 * (Temp2 - Temp1^2)^2 + (Temp1 - 1)^2;    конецконецвозвращаться

р

• "bbo: Оптимизация на основе биогеографии" - это р пакет для непрерывного ББО.^[20]

Расширения

BBO был расширен до шумных функций (то есть функций, оценка пригодности которых искажена шумом);^[21] ограниченные функции;^[22] комбинаторные функции;^[23] и многоцелевые функции.^[24][25]Кроме того, был реализован алгоритм многоцелевой оптимизации (μBiMO) на основе микробиогеографии: он подходит для решения многоцелевых оптимизаций в области промышленного дизайна, поскольку основан на небольшом количестве островов (отсюда и название μBiMO), т.е. требуется несколько вызовов целевой функции.^[26]

Математический анализ

BBO был математически проанализирован с использованием марковских моделей.^[27] и модели динамических систем.^[28]

Приложения

Ученые применяют BBO в различных академических и промышленных приложениях. Они обнаружили, что BBO работает лучше, чем современные методы глобальной оптимизации.

Например, Wang et al. доказал, что BBO продемонстрировал равные характеристики с FSCABC, но с более простыми кодами.^[29]

Ян и др. показал, что BBO превосходит GA, PSO и ABC.^[30]

Рекомендации

внешняя ссылка

• Домашняя страница BBO