智能优化算法：热交换优化算法 - 附代码

智能优化算法：热交换优化算法

文章目录

• 智能优化算法：热交换优化算法

• 1.算法原理
• 2.实验结果
• 3.参考文献
• 4.Matlab代码
• 5.Python代码

摘要：热交换优化 （Thermal Exchange Optimization，TEO）算法是于2017年提出的一种基于牛顿冷却定律的新型优化算法，具有收敛快寻优强的特点。

1.算法原理

热交换优化 （Thermal Exchange Optimization，TEO）算法是一种基于牛顿冷却定律的新型优化算法，在该算法中，物体的热损失率与物体和其周围环境的温度差成正比 。在 TEO 算法中，一些 Agent 被定义为冷却对象，其余 Agent 代表环境。更新对象之间的温度公式定义为：

$T_i^{env} = (1-(c_1+c_2)*(1-t))*rand(0,1)*T_i^{env$

$t=l/L \tag{2}$

式中：$T_i^{env}$为改变后的物体温度；$c_1,c_2$ 为控制变量;$T_i^{env$ 为初始的物体温度；$l$为当前迭代数；$L$为最大迭代数。

根据前面的步骤和式 （1），然后更新每个对象的新温度，表达式为：
$T_i^{new}=T_i^{env}+(T_i^{old}-T_i^{env})exp(-\beta t) \tag{3}$

$\beta = \frac{cost(object)}{cost(worst\, object)} \tag{4}$

当一个对象的性质已降低 β，温度会进行交换。每个对象的 β 值根据式 （4）进行评估。

为防止物体温度落入局部最优，设置参数 $Pro$，它指定是否必须更改每个冷却对象的组件。如果$rand(0,1)<Pro$，则随机选取第 $i$ 个物体的一个维度，其值再生的表达式为:
$T_{i,j}=T_{i,min}+rand(0,1)*(T_{j,max}-T_{j,min})\tag{5}$
式中：$T_{i,j}$ 为第 $i$ 个 $Agent$ 的第 $j$ 个变量。$T_{j,max}$ 和
$T_{j,min}$为第 $j$

算法步骤：

Step1.设置参数，初始化种群

Step2.计算适应度值

Step3.根据式（1）更新温度（即位置）

Step4.根据式（3）更新温度

Step5.根据选择概率Pro利用式（5）进行变异

Step6.记录并更新全局最优位置。

Step7.判断是否满足停止条件，如果满足，则输出最优位置，否则重复步骤Step2-Step7.

2.实验结果

3.参考文献

[1]杨明昊,李云龙.基于热交换优化算法的多阈值图像分割方法[J].科技创新与生产力,2019(05):57-59.

4.Matlab代码

热交换优化算法

5.Python代码

上述代码见个人资料介绍