当前位置：首页 > news >正文

群体智能优化算法-流向算法（Flow Direction Algorithm, FDA，含Matlab源代码）

news 2025/7/6 18:12:39

摘要

流向算法（Flow Direction Algorithm, FDA）是一种受流体动力学中流向传播机制启发的新型元启发式优化算法。FDA 通过模拟“信息流”在搜索空间中的扩散方向，并结合局部邻域搜索机制，引导解向全局最优解逼近。该算法具有良好的全局搜索能力与收敛精度。

1. FDA 算法详解

1.1 算法背景

FDA 的灵感源自自然界中“流体流动过程中如何选择流动方向”，即：一个流体微粒通常向梯度最低或阻力最小的方向流动。此行为被映射为“搜索个体根据适应度差异调整搜索方向”，由此构造出一种模拟信息传播、方向移动与局部扰动结合的优化搜索策略。

1.2 算法流程

FDA 的核心由以下三步组成：

信息流初始化：随机生成若干个“信息流”作为候选解。
邻域搜索：每个信息流在其邻域中生成若干个邻居，选出表现最优者。
方向引导移动：依据适应度差值计算“坡度（Slope）”，决定是否向邻居或最优解方向移动。

1.3 关键数学建模

（1）邻域扰动生成

对于每个信息流，通过：

$\Delta = W \cdot (r_1 \cdot X_{\text{rand}} - r_2 \cdot X_i) \cdot \|X_{\text{best}} - X_i\|$

生成邻居点：

$X_{\text{neighbor}} = X_i + \mathcal{N}(0,1) \cdot \Delta$

（2）坡度计算（用于引导方向）

若邻居比当前流更优，则计算：

$S_f = \frac{f(X_{\text{neighbor}}) - f(X_i)}{\|X_{\text{neighbor}} - X_i\|}$

引导方向更新为：

$V = \mathcal{N}(0,1) \cdot S_f$

流向更新：

$X_i^{\text{new}} = X_i + V \cdot \frac{X_{\text{neighbor}} - X_i}{\|X_{\text{neighbor}} - X_i\|}$

2. 完整 MATLAB 代码

%___________________________________________________________________%
% Flow Direction Algorithm (FDA) 代码实现 v1.0
% 来源论文：H. Karami 等，FDA: Flow Direction Algorithm
% DOI: https://doi.org/10.1016/j.cie.2021.107224
%___________________________________________________________________%

function [Best_fitness, BestX, ConvergenceCurve] = FDA(maxiter, lb, ub, dim, fobj, alpha, beta)
% FDA主函数
% maxiter：最大迭代次数
% lb, ub：变量上下界（向量或标量）
% dim：变量维度
% fobj：目标函数句柄
% alpha：流体数量（个体数量）
% beta：邻居数量

% 初始化每个流的位置
flow_x = initialization(alpha, dim, ub, lb);  % alpha个个体
neighbor_x = zeros(beta, dim);               % 邻域解空间
newflow_x = inf(size(flow_x));               % 新位置初始化
newfitness_flow = inf(size(flow_x,1), 1);    % 新适应度初始化
fitness_flow = inf.*ones(alpha, 1);          % 当前适应度值
fitness_neighbor = inf.*ones(beta, 1);       % 邻居适应度
ConvergenceCurve = zeros(1, maxiter);        % 收敛曲线

% 第一步：计算初始适应度
for i = 1:alpha
    fitness_flow(i) = fobj(flow_x(i,:));
end

% 按照适应度排序，并找到当前最优解
[~, indx] = sort(fitness_flow);
flow_x = flow_x(indx,:);
fitness_flow = fitness_flow(indx);
Best_fitness = fitness_flow(1);
BestX = flow_x(1,:);

% 初始化最大最小速度
Vmax = 0.1 * (ub - lb);
Vmin = -0.1 * (ub - lb);

% 主循环开始
for iter = 1:maxiter

    % 权重更新策略：自适应控制搜索幅度
    W = (((1 - iter / maxiter + eps)^(2 * randn)) .* (rand(1,dim) * iter / maxiter) .* rand(1,dim));

    % 遍历每个流体
    for i = 1:alpha
        % 为第i个流体生成beta个邻居
        for j = 1:beta
            Xrand = lb + rand(1,dim) .* (ub - lb);  % 在搜索空间随机生成扰动参考点
            delta = W .* (rand * Xrand - rand * flow_x(i,:)) .* norm(BestX - flow_x(i,:));
            neighbor_x(j,:) = flow_x(i,:) + randn(1,dim) .* delta;

            % 边界处理
            neighbor_x(j,:) = max(neighbor_x(j,:), lb);
            neighbor_x(j,:) = min(neighbor_x(j,:), ub);

            % 计算邻居的适应度
            fitness_neighbor(j) = fobj(neighbor_x(j,:));
        end

        % 按适应度排序邻居
        [~, indx] = sort(fitness_neighbor);

        % 情况1：如果邻居中最优个体优于当前个体，向该邻居移动
        if fitness_neighbor(indx(1)) < fitness_flow(i)
            % 计算坡度（引导方向）
            Sf = (fitness_neighbor(indx(1)) - fitness_flow(i)) / ...
                sqrt(norm(neighbor_x(indx(1),:) - flow_x(i,:)));

            % 计算速度V（方向强度）
            V = randn .* Sf;
            if V < Vmin
                V = -Vmin;
            elseif V > Vmax
                V = -Vmax;
            end

            % 更新位置：沿坡度方向移动
            newflow_x(i,:) = flow_x(i,:) + ...
                V .* (neighbor_x(indx(1),:) - flow_x(i,:)) / ...
                sqrt(norm(neighbor_x(indx(1),:) - flow_x(i,:)));
        else
            % 情况2：选择其他个体或全局最优引导移动
            r = randi([1 alpha]);  % 随机选择个体编号

            if fitness_flow(r) <= fitness_flow(i)
                % 跟随另一个更优的流体
                newflow_x(i,:) = flow_x(i,:) + randn(1,dim) .* (flow_x(r,:) - flow_x(i,:));
            else
                % 向全局最优位置靠近
                newflow_x(i,:) = flow_x(i,:) + randn * (BestX - flow_x(i,:));
            end
        end

        % 边界处理
        newflow_x(i,:) = max(newflow_x(i,:), lb);
        newflow_x(i,:) = min(newflow_x(i,:), ub);

        % 计算新位置适应度
        newfitness_flow(i) = fobj(newflow_x(i,:));

        % 如果新位置更优，更新
        if newfitness_flow(i) < fitness_flow(i)
            flow_x(i,:) = newflow_x(i,:);
            fitness_flow(i) = newfitness_flow(i);
        end

        % 更新全局最优解
        if fitness_flow(i) < Best_fitness
            BestX = flow_x(i,:);
            Best_fitness = fitness_flow(i);
        end
    end

    % 记录收敛曲线
    ConvergenceCurve(iter) = Best_fitness;
end
end

%% 辅助函数：个体初始化
function [flow_x] = initialization(alpha, dim, ub, lb)
% 生成 alpha 个个体，每个个体维度为 dim，在 [lb, ub] 范围内
for i = 1:alpha
    flow_x(i,:) = lb + rand(1,dim) .* (ub - lb);
end
end