照明算法（IA）

名称

照明算法（Illumination Algorithm），照明方法（Illumination Approach）

分类

查看分类思维导图

照明算法是一种受光学与物理学中“照明”概念启发的元启发式优化技术。它与粒子群优化（Particle Swarm Optimization, PSO）和差分进化（Differential Evolution, DE）等其他基于种群的元启发式方法具有一定相似性。

• 计算智能
  • 随机优化
    • 生物启发计算
      • 群体智能
        • 粒子群优化
        • 蚁群优化
      • 进化计算
        • 遗传算法
        • 差分进化
    • 物理启发计算
      • 照明算法
      • 模拟退火
      • 引力搜索算法

策略

照明算法通过维护一个候选解种群来运行，这些候选解被称为“光点（light points）”。这些光点在搜索空间中依据光传播与光相互作用的原理进行搜索。每个光点由其在搜索空间中的位置以及与之关联的强度值表征，其中强度值表示该解的适应度或质量。

算法通过光点之间以及光点与环境之间的相互作用，迭代更新其位置和强度。光点的移动受折射机制影响，即光点会向高适应度区域（较高折射率区域）靠近，同时远离低适应度区域（较低折射率区域）。

此外，该算法还引入了反射机制，即当光点遇到搜索空间中的约束或边界时，能够发生“反弹”，从而探索新的区域并维持解的可行性。每个光点的强度依据其适应度值进行调整，适应度越高，其强度通常越大。

照明算法还引入了吸收机制，即强度较低的光点会被环境吸收，从而从种群中移除。该机制有助于算法将搜索重点保持在更具潜力的区域，并促进算法收敛。

过程

数据结构：

• 种群（Population）：光点种群数组，其中每个光点由其位置和强度表示。
• 最优解（Best Solution）：用于存储当前找到的最优解的位置及其适应度值。

参数：

• 种群规模（Population Size）：种群中光点的数量。
• 最大迭代次数（Max Iterations）：算法允许执行的最大迭代次数。
• 吸收系数（Absorption Coefficient）：控制低强度光点被吸收速率的参数。
• 折射系数（Refraction Coefficient）：决定光点朝高适应度区域吸引强度的参数。
• 反射系数（Reflection Coefficient）：控制光点遇到约束或边界时行为的参数。

过程：

1. 在搜索空间内随机初始化光点种群。
2. 根据目标函数评估每个光点的适应度。
3. 若发现更优的光点，则更新 Best Solution。
4. 重复步骤 5-9，直到达到 Max Iterations 或满足终止条件。
5. 对于种群中的每个光点：
   1. 根据邻近光点的适应度值以及 Refraction Coefficient 计算折射向量。
   2. 沿折射向量更新该光点的位置。
   3. 若该光点违反任意约束或越过边界，则依据 Reflection Coefficient 对其位置进行调整，实施反射操作。
   4. 评估更新后光点的适应度。
   5. 根据其适应度值更新光点强度。
6. 对于种群中的每个光点：
   1. 若该光点的强度低于由 Absorption Coefficient 决定的阈值，则将其从种群中移除。
7. 若种群规模低于最小阈值，则随机生成新的光点以维持种群多样性。
8. 若发现更优的光点，则更新 Best Solution。
9. 返回找到的 Best Solution。

注意事项

优点：

• 照明算法能够较为有效地兼顾搜索空间的探索与开发，实现局部搜索与全局搜索之间的平衡。
• 折射机制使算法能够向搜索空间中的潜在优良区域聚集。
• 反射机制有助于算法处理约束，并维持解的可行性。

缺点：

• 照明算法的性能依赖于参数的合理设定，通常需要通过实验进行调优。
• 算法可能对初始种群较为敏感，若初始化不当，可能出现过早收敛。
• 随着种群规模和问题维度的增加，算法的计算复杂度也会相应上升。

启发式建议

种群规模（Population Size）：

• 种群规模应根据问题的复杂度和维度进行设定。
• 较大的种群规模有助于增强探索能力，但也会增加计算开销。
• 典型取值通常为 20 到 100 个光点，具体取决于问题特性。

吸收系数（Absorption Coefficient）：

• 吸收系数控制低强度光点的淘汰程度。
• 较高的取值会导致更激进的吸收过程，从而加快收敛速度，但也可能遗漏优良解。
• 较低的取值则有利于增强探索能力，但可能减缓收敛过程。
• 典型取值范围通常为 0.01 到 0.1。

折射系数（Refraction Coefficient）：

• 折射系数决定光点向高适应度区域靠拢的强度。
• 较高的取值会增强吸引作用，从而促进对潜在优良区域的开发。
• 较低的取值则有助于增强探索能力，并提高跳出局部最优的可能性。
• 典型取值范围通常为 0.5 到 2.0。

反射系数（Reflection Coefficient）：

• 反射系数控制光点遇到约束或边界时的行为方式。
• 取值为 1.0 时表示完全反射，此时光点将以对称方式反弹。
• 小于 1.0 的取值表示阻尼反射，即反射后步长减小。
• 大于 1.0 的取值可能导致光点在反射后越界过冲。
• 典型取值范围通常为 0.5 到 1.0。

最大迭代次数（Max Iterations）：

• 最大迭代次数应根据可用计算资源和期望的解质量进行设定。
• 较大的取值有助于更充分地探索和细化解，但也会增加计算成本。
• 最大迭代次数也可以根据算法的搜索进展或求解时效需求进行动态调整。