序

因需要研究一下这个蝙蝠算法，Bat Algorithm，遂有了这篇学习博客，也作为我的第一篇博客吧，谈谈这方面的知识，练练手。首先，了解到，蝙蝠算法是由Yang教授于2010年提出的高效生物启发式算法，一种搜索全局最优解的算法。该算法是基于迭代的优化技术，初始化为一组随机解，然后通过迭代搜寻最优解，且在最优解周围通过随机飞行产生局部新解，加强了局部搜索。与其他算法相比，BA 在准确性和有效性方面远优于其他算法，且没有许多参数要进行调整。(以上部分摘自百度百科)

什么是蝙蝠算法

描述

简单地说，蝙蝠算法就是模拟蝙蝠回声发射与检测这样的一个机制。一般来说，仿生算法要抽象出来，需要做一些必要的假设和简化：

所有的蝙蝠都使用回声定位来感知距离，并且可以判断出是food还是障碍物

在一定位置以一定速度随机飞行，且可以自动调整发射脉冲的频率或波长，并依据距离调整脉冲发射率

假设响度从一个正值变化到最小值

估计时延和三维地形时不使用射线追踪

频率f在[

,

]范围内，对应的波长λ在[

,

]范围内

Tips：对于给定的问题，应该考虑改变波长λ或频率f，λ和f是相关的，λf是一个定值。

根据2010年Yang的文章，有一些公式：

我们需要在每一时间步长t内模拟蝙蝠的位置和速度更新，于是有了如下公式：

式中，

是服从均匀分布的随机变量，

是全局最优解。

确定一个解之后，使用随机游走产生一个新解：

式中，

是一个随机数，

是当前时步内所有蝙蝠的平均响度。在实现时，提供一个缩放参数来控制步长：

式中，

服从高斯正态分布

，

是缩放因子。

此外，响度和脉冲发射率也需要更新：

式中，

和

是常数，对于任意的

、

，有：

伪代码

初始化种群

和

初始化频率

、脉冲发射率

及响度

For 1:MAX_ITER

通过调整频率产生新解

根据上述公式更新速度与位置

if rand>

从最佳解中选择一个并产生局部解

end if

随机飞行产生新解

if

&&

接受新解并根据公式更新响度和脉冲发射率

end if

找出当前最佳解

End For

如何用编程来实现

这里使用Python语言来描述蝙蝠算法，在程序中面向对象的思想将算法部分编为一个类，并利用算法优化一个简单的例子。

首先是算法类，

import numpy as np

'''

蝙蝠算法-Bat Algorithm

'''

class BA(object):

def __init__(self, d, N_p, N_gen, Qmin, Qmax, lower_bound, upper_bound, func):

self.d = d # 搜索维度

self.N_p = N_p # 个体数

self.N_gen = N_gen # 迭代次数

self.A = 1 + np.random.random(self.N_p) # 响度

self.r = np.random.random(self.N_p) # 脉冲发射率

self.Qmin = Qmin # 最小频率

self.Qmax = Qmax # 最大频率

self.lower_bound = lower_bound # 搜索区间下限

self.upper_bound = upper_bound # 搜索区间上限

self.func = func # 目标函数

self.alpha = 0.85

self.gamma = 0.9

self.r0 = self.r

self.Lb = self.lower_bound * np.ones(self.d)

self.Ub = self.upper_bound * np.ones(self.d)

self.Q = np.zeros(self.N_p) # 频率

self.v = np.zeros((self.N_p, self.d)) # 速度

self.sol = np.zeros((self.N_p, self.d)) # 种群

self.fitness = np.zeros(self.N_p) # 个体适应度

self.best = np.zeros(self.d) # 最好的solution

self.fmin = 0.0 # 最小fitness

# 初始化蝙蝠种群

def init_bat(self):

for i1 in range(self.N_p):

self.sol[i1, :] = self.Lb + (self.Ub - self.Lb) * np.random.uniform(0, 1, self.d)

self.fitness[i1] = self.func(self.sol[i1, :])

self.fmin = np.min(self.fitness)

fmin_arg = np.argmin(self.fitness)

self.best = self.sol[fmin_arg, :]

# 越界检查

def simplebounds(self, s, lb, ub):

for j1 in range(self.d):

if s[j1] < lb[j1]:

s[j1] = lb[j1]

if s[j1] > ub[j1]:

s[j1] = ub[j1]

return s

# 迭代部分

def start_iter(self):

S = np.zeros((self.N_p, self.d))

self.init_bat()

for step in range(self.N_gen):

for i2 in range(self.N_p):

self.Q[i2] = self.Qmin + (self.Qmin - self.Qmax) * np.random.uniform(0, 1)

self.v[i2, :] = self.v[i2, :] + (self.sol[i2, :] - self.best) * self.Q[i2]

S[i2, :] = self.sol[i2, :] + self.v[i2, :]

S[i2, :] = self.simplebounds(S[i2, :], self.Lb, self.Ub) # 越界检查

if np.random.random() > self.r[i2]:

S[i2, :] = self.best + 0.001 * np.random.randn(self.d) # 此处没有实现乘以响度平均值

S[i2, :] = self.simplebounds(S[i2, :], self.Lb, self.Ub) # 越界检查

Fnew = self.func(S[i2, :])

if (Fnew <= self.fitness[i2]) and (np.random.random() < self.A[i2]):

self.sol[i2, :] = S[i2, :]

self.fitness[i2] = Fnew

self.A[i2] = self.alpha * self.A[i2] # 响度更新

self.r[i2] = self.r0[i2] * (1 - np.exp(-1 * self.gamma * step)) # 脉冲发射率更新

if Fnew <= self.fmin:

self.best = S[i2, :]

self.fmin = Fnew

print(step, ':', '\n', 'BEST=', self.best, '\n', 'min of fitness=', self.fmin)

return self.best, self.fmin

这里用一个简单的Griewan函数来测试蝙蝠算法，此函数在

有全局极小值0。

import numpy as np

from ba import BA

# 测试用例,Griewan函数，x=(0, 0...,0)处有全局极小值

def func(x):

y1 = 1 / 4000 * sum(np.power(x, 2))

y2 = 1

for h in range(x.size):

y2 = y2 * np.cos(x[h] / np.sqrt(h + 1))

y = y1 - y2 + 1

return y

if __name__ == '__main__':

ba = BA(10, 20, 100, 0, 2, -2, 2, func)

best, fmin = ba.start_iter()

print('=============================================')

print('BEST=', best, '\n', 'min of fitness=', fmin)