DO I :10.16355/j .cnki .issn1007 -9432tyut .2011.02.019
第 42 卷 第 2 期
2011 年 3 月
太 原 理 工 大 学 学 报
JO U RN A L O F T AI YU A N U N IV ERSI T Y O F T ECH N O LOG Y
V ol.42 N o.2
M ar.2011
*
文章编号:1007-9432(2011)02-0141-04
混沌的自适应和声搜索算法
陈莹珍 , 高岳林
(北方民族大学 信息与系统科 学研究所, 宁夏 银川 750021)
摘 要 :和声搜索算法是一种启发式优化算法 , 针对现有改进的和声搜索算法(IHS)的不足,
提出了一种混沌自适应和声搜索算法(CA HS)。 在该算法中, 首先采用混沌策略初始化种群, 然后
采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解 , 每次迭代产生多个新解 , 充
分利用和声记忆库的信息 。 如果算法停滞, 则采用混沌变异机制。 本文用 5 个标准的测试函数对
该算法进行测试 , 结果表明该算法(CA HS)比 IHS 和 A H SPSO 算法有较强的寻优能力和跳出局
部最优解的能力 。
关键词 :和声搜索算法;自适应搜索 ;混沌
中图分类号 :T P18 文献标识码:A
1 研究现状
[ 2]
2001 年 G eem Z W 等人提出了一种新 的启发
式算法———和 声搜索[ 1] (Harm ony Search , H S)算
法.类似于粒子群算法的思想来源于鸟群捕食 , 和声
搜索(H S)的基本思想来源于音乐创作。 在音乐创
作中 , 乐师们反复调整乐队中各乐器的音调, 最终得
到一个优美的和声。 研究者已经提出了各种和声搜
索的改进方法, 例如, 2007 年 M ahdavi M 等提出了
算法。 在基本 的和声搜索算法中, 音 调调节
IHS
概率(PA R , 在表达式中记为 R PA )和调节步长(bw ,
公式中记作 w b)都是采用一个固定的值, 但是在实
际中 , 在优化的前期 , 希望有较小的 P A R 和较大的
bw ;随着迭代次数的增加 , 则希望有较大的 PA R 和
较小的 bw , 因此 , M ahdavi M 等提出 了基 于动 态
PA R 和 bw 的 IHS 算法, 文中采用的动态的 R P A 和
w b 的表达式如下:
R PA(ng)= R PA , m in +
(R P A , max -R P A , m in)×ng/ N I ,
w b(n g)= w b , max exp L nw b, m in/(w b, m ax ×N I))×n g .
(1)
式中 :R P A (ng)为 每一代的 音调调节 概率;R PA , max ,
R PA , min分别是音符调节概率的最大值和最小值;N I
为最大迭代次数 ;ng 为当前迭代次数;wb(n g)为每
一代的音调调节步长 , w b , m ax , w b , min 为音调调节步长
的最大值和最小值 。
2010 年 , 高立群等提出了自适应和声粒子群搜
[ 3]
索(A HSPSO)算法
, 将和声搜索算法与粒子群搜索
算法结合, 首先用粒子群优化和声记忆库中的变量,
再利用动态的 R PA 和 wb 产生新解, 更新记忆库。文
中采用的自适应的音调调节概率和调节步长如下:
R PA , i = 1 , Ei/ E i-1 ≥1 , Ei-1 = 0 ;
Ei/ E i-1 , Ei/ E i-1 <1 .
(2)
式中:Ei 为第 i 代和声记忆库中解变量的目标函数
值的最大值与最小值之差, E 0 =1 .
w b(i)=d 1(Hi , max)-
upper , x i
upper -xi
lower)/ n g .
Hi , m in +d2(xi
(3)
式中:n g 是当前迭代次数 , xi
lower是变量 xi 的上
界和下界;Hi , m ax , H i , min是 记忆库中 xi 的最大值和
最小值;d 1 , d2 是两个常数。 迭代次数较大时 , 左部
分可以起一定的调节作用, 当算法陷入局部最优时,
右部分可以起调节作用 。
此外, 和 声 搜 索 已 经 广 泛 应 用 于 工 程 实 际
中[ 4-7] 。例如, 2006 年李亮等提出了改 进和声搜索
算法及其在土坡稳定分析中的应用[ 4] 。 利用改进的
和声搜索算法寻求复杂土坡的临界滑动面及其对应
*收稿日期 :2010-10-23
基金项目 :国家自然科学基金资助项目(60962006)
作者简介 :陈莹珍(1987-), 女 , 湖北襄樊人 , 主要从事最优化理论及应用 , 智能计算与智能信息处理 , 金融数学与金融工程研究 ,
(E-mail)ch enyingz hen 1987@yahoo .com .cn
通讯联系人 :高岳林(1963-), 男 , 教授 , 博士 , 研究生导师 ,(E-mail)gaoy ueli n@263.net
中国煤炭期刊网 www.chinacaj.net
142
太 原 理 工 大 学 学 报 第 42 卷
的安全系数, 改进的和声搜索算法在每次迭代中产
生多个新解, 而基本的和声搜索算法中每次迭代只
产生一个新解。 对改进的和声算法与基本的和声搜
索算法的结果进行了比较, 发现改进和声搜索算法
比基本和声搜索算法能搜索到更危险的滑动面。
2007 年 , 金永强等提出了基于和声搜索的边坡
[ 5] 。传统的和声搜索算法
稳定性投影寻踪聚类分析
采用了固定的和声保留概率 P A R , 不能同时兼顾局
部最优解和全局最 优解的寻求 。 笔者采用动 态的
H MC R(表达式中记为 R H MC)和 PA R 对基本的和声
搜索算法进行了改进, 针对边坡稳定问题的高维非
线性 、非正态的特点 , 提出了一种基于和声搜索和投
影寻踪理论的边坡稳定性评价方法 , 利用投影寻踪
理论将边坡稳定性评价多指标问题转换为单一投影
指标, 采用改进的和声搜索算法优化投影方向 。 文
中, R HM C 和 R PA 的表达式如下 :
n g
N I
R HM C(ng)=R HM C, m in ×exp
R HM C, m in
R H MC , max
ln
,
R PA(n g)= n g
N I
(R PA , min -R P A , m ax)+R PA , min .
式中 :N I 为 最 大迭 代 次数 ;ng 为 当前 迭 代 次数 ;
R H MC , min , R HMC , m ax , R PA , m in , R PA , m ax 分 别 为 迭 代 起 始
时、迭代终止时第 ng 次迭代时的 R H MC 和 R PA值 。
笔者结合了以上的改进方法, 并对其中部分参
数做了改进 , 对和声保留概率(R HMC)、音调调节概
率(R PA)都采用线性变换, 对文献[ 3] 中提出的音调
调节步长中参数 d 1 , d 2 也采用了线性变化, 音调调
节时增加或减少不再是随机的 , 而是由记忆库中的
变量的平均值决定的 ;同时, 本文将混沌机制作用在
种群的初始化和算法停滞时的变异中。
2 基本和声搜索算法
和声搜索(H S)是基于音乐演奏过程提出来的 。
在音乐演奏中, 每个演奏者发出一个音调, 构成一个
和声向量 , 如果这个和声比较好, 就把它记录下来 ,
以便下次产生更好的和声 。乐器的音调类比于优化
i(i =1 , 2 , …, n), 将各乐器声调
问题中的决策变量 xj
的和声类比于解向量 X j =(x j
n), 美学评
价类比于目标函数 f (X j), 音乐家要找到由美学评
价定义的优美的和声, 研究人员要找到由目标函数
定义的全局最优解。 和声搜索算法包括一系列的优
化因素, 例如和声记忆库(H M), 和声记忆库的大小
(H MS), 和声 保 留概 率(H MC R), 音 调 调节 概 率
(PA R)等。 在和声搜索算法中 , 和声记忆库储存可
行解向量 , 和声记忆库的大小决定着可行解的数量 ,
2 , …, x j
1 , x j
和声保留概率就是从记忆库中选择新产生的解的概
率 , 音调调节概率是对产生的新解进行扰动的概率。
基本和声搜索的步骤如下。
St ep1 设定和声搜索的基本参数 :
a.变量的个数 N V A R ;
b.各变量的取值范围 ;
c.和声记忆库可保存和声的个数 H M S ;
d.和声记忆保留概率 H MC R;
e.音调调节概率 PA R;
f.最大迭代次数 。
St ep2 初始化和声记忆库。
St ep3 产生新解 。每次可以通过三种机理产
生一个新解 。
a.保留和声记忆库中的分量 ;
b.随机选择产生;
c.对 a.b.中某些分量进行微调扰动产生 。
St ep4 更新记忆库 。若新解优于记忆库中最
差解, 则用新解替换最差解 , 得到新的记忆库。
St ep5 判断是否满足终止条件, 若满足, 停止
迭代, 输出最优解 ;否则 , 重复 Sep3 , St ep4 。
3 混沌自适应和声搜索算法
3.1 混沌机制
混沌是 自然 界 存 在 的一 种 广 泛 的 非 线性 现
, 其行为复杂且类似随机 , 但看似一片混乱的混
象[ 8]
沌变化过程并不完全混乱 , 而是存在着精细的内在
规律性 。混沌优化方法是一种新颖的优化算法, 它
利用混沌系统特有的遍历性来实现全局寻优 , 其基
本思想是首先产生一组混沌变量 :
Y 0 =(y0 , 1 , y 0 , 2 , … , y 0 , D), y0 , i ∈ (0 , 1)
且以此向量为初始点, 根据 lo gistic 方程
y n, i =4yn -1 , i(1 -yn-1 , i)
(5)
产生混沌序列
{Y n =(y n , 1 , yn , 2 , … , y n , D), n =1 , 2 , …, M},
然后把每维上的混沌变量以载波的方式变换到变量
的取值空间[ 9]
, 根据下式
i +r in g(2y n , i -1),
1
n , i = x *
y′
r i(t)= r0 , i 1 -
1 +ex p(-0.02ng +4)
(6)
得到对应的优化变量
′
n =(y′n , 1 , y
Y
′
n , 2 , … , y
′
n , D),
这样就把当前的解变换到以 x
*
i 为中心 , 以
R(ng)=(r 1(n g)), r2(ng), …, r D(ng))
为半径的区域上。
中国煤炭期刊网 www.chinacaj.net
第 2 期 陈莹珍等:混沌的自适应和声搜索算法
143
本文中使用了两次混沌技术。 第一使用随机混
沌运动初始化种群;第二如果算法停滞, 就选取 M/
2 个个体进行混沌变异, 具体的变异方法就采用上
述的计算公式。
3 .2 和声保留概率
和声保留概率的变化是由小到大的 , 在优化的
前期阶段 , 较大的值有利于找到局部最优解, 后期较
小的值可以增加解的多样性[ 5] 。根据文献[ 5] 的思
想, 笔者提出了新的和 声保留概率的 表达式, 定义
H MC R 的变化如下:
R H MC =R H MC , m ax -
(R HM C, m ax -R H MC , min)*ng/ N I .
(5)
式中 :R H MC , max , R HM C, m in分别为和声保留概率的的最
大值和最小值。
3 .3 音调调节概率
一般情况下 , 音调调节概率 R PA 的变化 是由小
到大的, 在优化的前期阶段, 较小的值有利于找到局
部最优解, 后期较大的值可以增加解的多样性 。 根
据文献[ 2] 的思想, 笔者提出了音调调节概率的表达
式, R PA 的变化定义如下 :
R P A =(0.382ng +0.618n g)/ N I . (6)
3 .4 音调调节的步长
在最初的和声搜索中 , 每个变量的调节步长 w b
是一样的 , 但是这个步长并不适合所有的变量 , 根据
文献[ 3] 中音调调节步长的变化, 对于 d 1 , d 2 两个参
数, 做了如下的改进 :
wb(i)=d 1 ×H i , max -
H i , min +d 2 ×(xi
upper -xi
low er)/ n g ,
d 1 =(d 1 , m ax -d1 , m in))*ng/ N I +d 1 , min ;
d 2 =(d 2 , m in -d 2 , max)*ng/ N I +d 2 , max . (7)
实验表明 , 当 d 1 是线性 递增, d 2 是线性递 减
时, 算法的性能更好 。
3 .5 调节的方向
如果产生的新解需要进行微调, 在原来的算法
中都是随机的, 本文中计算出记忆库中解的平均值 ,
i , new =xi , new +w b
如果产生的新解小于平均 值, 则 x′
′
(i);若产生的新解大于平均值, 则 x
i, new =xi , new -w b
′
(i), 其中 x i, new , x
i , new 分别为调节前后解 xi 的值 , av-
erage(xi)是和声记忆库中变量 x i 的平均值。
i , new = xi , new +w b(i), if xi , new ≤average(x i),
x′
(8)
xi , new -w b(i), o thers .
3 .6 每代和声产生数目
在本文的迭代过程中 , 采用了文献[ 4] 的思想 ,
基本的和声搜索算法在每次迭代中仅产生一个新的
解 , 没有尽可能大的利用和声记忆库的累积信息 , 文
献[ 4] 中 , 每次迭代的过程中都产生 N 个新解, 与和
声记忆库中 H M S 个解放在一 起, 找出 H M S 个最
优解作为新的和声记忆库。
3.7 停滞判断
如果和声记忆库中解的函数值的最大值和最小
值之差小于等于ε, 那么就认为算法停滞, 需要进行
混沌变异。
3 .8 改进的和声搜索算法的步骤
St ep1 设定和声搜索的基本参数 :
变量的个数 N V A R ;各变量的取值范 围;和声
记忆库可保存 和声的个数 H MS ;每次 迭代产生新
解的个数 N ;最大迭代次数;和声记忆保留概率的
上下界 ;d 1 , min , d1 , m ax , d 2 , m in , d 2 , max .
St ep2 初始化和声记忆库。
St ep3 产生新解。 通过公式(5),(6),(7), (8)
产生新解, 每次迭代得到 N 个新解 。
St ep4 计算新解的目标函数值 , 从新产生的 N
个解和记忆库中选出 HM S 个好的解, 作为新的和
声记忆库。
St ep5 判断是否满足终止条件 , 如 不满足则返
回 step3 ;否则算法结束。
4 实验及结果分析
为了检验算法的有效性, 下面用了 5 个经常用
到的测试函数对该算法进行测试(见表 1)。 这些函
数模拟了在工程实际中经常碰到的各种特征问题,
因此可以比较准确地衡量算法的优化性能 。
1)Sphere 函数:
f 1(x)= ∑n
i =1
2)Ronsenbrock 函数 :
i ;
x2
(100(xi+1 -x2
i )2 +(xi -1)2);
f 2(x)= ∑n-1
i=1
3)Schaff er 函数:
f 3(x)=0.5 +(sin
1 +x2
x2
(1 +0.001(x2
2)2 -0.5
1 +x2
2))2 ;
4)A ckley 函数 :
f 4(x)=-20ex p(-0.2 (∑n
i =1
i )/ n)-
x2
ex p((∑n
i =1
cos(2πx i))/ n)+20 +e;
5)G riew ank 函数 :
中国煤炭期刊网 www.chinacaj.net
144
太 原 理 工 大 学 学 报 第 42 卷
f 5(x)= 1
4 000 ∑n
i =1
函数
函数名
f 1
f 2
f 3
f 4
f 5
Sphere
Ronsenbrock
S chaff er
A ckley
G riew ank
x2
cos
i - ∏n
i =1
表 1 测试函数
阈值 最优值 维数
0.1
100
10 -5
0.1
0.1
10
10
0
0
0
0
0
2
10
10
x i
i
+1 .
搜索范围
[ -1000, 1000]
[ -30, 30]
[ -5.12, 5.12]
[ -30, 30]
[ -600, 600]
为了分析每个算法的性能 , 每种算法单独运行
100 次, 最大迭代次数为 8 000 次 。 M =20 , N =20 ,
R H MC , min =0.5 , R H MC , m ax =1 .m 为 100 次迭代得到的
最优值的子样均值, b 为最优值 , w 为最劣值 , v 为子
样方差, s 为成功率 。比较结果如表 2 ~ 表 6 所示。
表 2 对 Sphere 的优化结果
方法
IH S
AH SP SO
CA HS
m
43 .020 8
0.061
0.002 2
b
1.48 ×10 -4
0.038 1
5 .9650×10-4
w
326 .695 1
0.094 7
0.005 1
v
1 .68×106
2.882 2
5 .9948×10-7
表 3 对 Ro nsenbr ock 的优化结果
方法
IH S
AH SP SO
CA HS
m
127.091 0
28.946 8
2 .005 2
b
7 .463 7
6 .953 7
0 .004 7
w
661 .854
440 .727
8 .953 2
v
1.36 ×10 7
7.16 ×10 5
2.929 6
表 4 对 Schaffer 的优化结果
方法
IH S
AH SP SO
CA HS
m
b
0.004 4
8 .78×10 -4
3.9587 ×10-5
1.25 ×10 9
1 .57×1011
0
w
0.004 9
0.004 9
0.002 1
v
0.014 1
6.13 ×10 -4
7 .778 4×10-8
s
8
100
100
s
58
92
100
s
10
42
98
表 5 对 A ckley 的 优化结果
方法
IH S
AH SP SO
CA HS
m
0.825 1
0.030 2
0.0018
b
0.001 12
0.014 6
9 .1710×10-4
w
2.510 4
0.061 9
0.0025
v
500.249 7
0.690 9
9 .7636×10-8
s
18
100
100
方法
IHS
A HS PSO
CA HS
m
0.151 0
0.095 6
0.083 4
b
0.307 1
0.008 4
0.002 2
w
0.342 0
0.225 1
0.199 6
v
17.363 2
7.059 6
0.001 1
s
26
58
75
Sphere 是个简单的单峰函数。 Ronsenbrock 是
多峰函数, 其全局最优点位于一个狭长的抛物线形
山谷内 , 一般优化方法很容易陷入局部最优 ;Schaf-
fe r 函数是正弦波包络函数 , 峰值多而且都是急剧变
化的, 由于它具有强烈的振荡性以及全局最优点被
无数个局部最优点包围的特性, 一般算法很难找到
它的全局最优点;A ckley 函数是函数叠加上适度放
大的余弦函数再经调制而得到的连续型实验函数,
其最小值求解十分困难 ;G riew ank 函数的变量之间
具有乘积项产生的强烈的相互影响, 是激烈的多峰
函数。 平均最优值反映的是算法的收敛精度 , 方差
反映算法的稳定性, 成功率反映了算法的全局最优
能力。
从表 2 到表 6 可以看出, 对于以上 5 个测试函
数来说 , 本文提出的混沌适应和声搜索算法找到的
最优值 、平均值、方差均比前面两个算法要好 , 成功
率比前两个算法高 。尽管对于复杂的多峰函数, 本
算法仍能有效地跳出局部最优解 , 找到全局最优解。
实验表明本算法有很好的跳出局部最优的能力, 从
整体上看, CA H S 算法优于另外的两种改进算法 。
5 结论
本文针对和声搜索算法的不足, 提出了混沌自适
应和声搜索(CA HS)算法, 该算法结合了各种改进的和
声搜索算法的优点, 加入了混沌搜索机制并对其中的
参数进行调整。与其它两种算法比较表明该算法有较
强的跳出局部最优解的能力, 稳定性较好。但是该算
法仍存在不足, 在以后的工作中会逐步改进, 并用来解
决实际问题。
表 6 对 G riew ank 的优化结 果
参考文献:
[ 1] Geem Z W, Kim J H , Loganathan G V .A new heu ristic optimization algorithm :Harmony search[ J] .Simulation, 2001, 76(2):60-80.
[ 2] M ahdavi M , Fesanghary M , Daman gi r E .A n improved harmony search algorit hm fors ol vi ng opt imizat ion p rob lem[ J] .A pplied
M at hematics and Compu tati on, 2007, 188(2):1567-1597.
[ 3] 高立群 , 葛延峰 , 孔芝 , 等 .自适应和声粒子群搜索算法[ J] .控制与决策 , 2010, 25(7):1101-1104.
[ 4] 李亮 , 迟世春 , 林皋 .改进和声搜索算法及其在土坡稳定分析中的应用[ J] .土木工程学报 , 2006, 39(5):107-111.
[ 5] 金永强 , 苏怀智 , 李子阳 .基于和声搜索的边坡稳定性投影寻踪聚类分析[ J] .水利学报 , 2007,(S1):682-686.
[ 6] K an g S L, Geem Z W.A new st ruct u ral op timiz at ion m et hod based on t he harmony search alg ori th m[ J] .Comput S t ru ct ,
2004, 82(9/ 10):781-798.
[ 7] G eem Z W .O ptim al cost design of w at er di st ribut ion net w orks u sing harmony search[ J] .Eng O pt imiz, 2006, 38(3):259-280.
(下转第 154 页)
中国煤炭期刊网 www.chinacaj.net
154
太 原 理 工 大 学 学 报 第 42 卷
The Way to Implement Remote Monitoring in DCS
Experiment Teaching System by OPC Technique
XIE Peng-hua , NIU Yu-guang
(College o f I n f ormation Engineering of TU T , Taiy uan 030024, China)
Abstract:A desi gn met hod o f ex perimental teaching sy st em by using O PC technique to moni-
to r t he remo te real-time data i n the sy stem o f S U PCO N DCS w as presented , so as to t ransmit re-
m ot e real-t ime data o f DCS system and to display t he data dynami cally by Web .It w as illustrat ed
to pro gram O PC client and A ctiveX cont rols to access OP C server , and t o em bed A cti veX co nt rol s
i n Web pages to implement the comm unicat ion w i th t he O PC server .Wi th t he examples of exper-
iment al teachi ng system , a g roup of real-time dat a o btained by accessing O PC server t o moni to r
the o n-sit e equipment by Web w as given .T he ex periment proved that a new w ay w as provided t o
im plement remo te m oni to ring in DCS ex perimental teaching system .
Key words:D CS remo te real-time moni to ri ng ;O PC technolo gy ;A ctiveX contro l
(编辑 :庞富祥)
(上接第 144 页)
An Improved Adaptive Harmony Search Algorithm
CHEN Ying-zhen, GAO Yue-lin
(Institute o f I n f ormation and S ystem Science , Bei f ang University of N ationalities , Y inchuan 750021 , China)
Abstract:H armony Search (H S)i s a heuristic optimization met hod .Fo r t he purpose of av oi-
ding t he disadv ant ag e of i mproved harm ony search (IH S)alg orit hm , a new adaptive harm ony
search algo ri thm is presented .T he algo rithm ut ilizes chao s technique initializing populat ion , a-
dapt ive harmony pro babi li ty , and pitch adjusti ng f requency and bandwidt h to pro duce new solu-
tions .In each ite rat ion , several so lutions are gene rat ed so as t o makes f ull use of info rmatio n of
harm ony mem ory .If t he algo ri thm arriv es at stag nating state , chao s m utati on i s ado pt ed in o rder
to increase t he di versity solutio ns .Finally ,
the proposed algo ri thm i s test ed by five benchmark
functi on and compared w ith H IS , A H SPSO .T he t est result s show the favo rable abilities of accu-
racy and escaping lo cal mi nimum s .
Key words:harm ony search algo ri thm ;adaptive search ;chaos
(编辑 :贾丽红)
中国煤炭期刊网 www.chinacaj.net