Гравитационный поиск. Gravitational Search

Предисловие

Всем доброго времени суток. Представляю вашему вниманию следующую статью из серии освещения новых и малоизвестных эвристических методов оптимизации. Сегодняшний пост своим появлением обязан Эсмату Рашеди, Исааку Ньютону и гравитации.

Историческая справка

Гравитационный поиск (GS) является очень молодым алгоритмом. Появился он в 2009 году и являлся логическим развитием метода центральной силы. Основу GS составляют законы гравитации и взаимодействия масс. В принципе, данный алгоритм похож на методы роя частиц (Particle Swarm Optimization — PSO), так как базируется на развитии многоагентной системы.

Стратегия

GS оперирует двумя законами:

• тяготения: каждая частица притягивает другие и сила притяжения между двумя частицами прямо пропорциональна произведению их масс и обратно пропорциональна расстоянию между ними (следует обратить внимание на то, что в отличие от Всемирного закона тяготения используется не квадрат расстояния; Рашеди объясняет это тем, что во всех тестах это дает лучшие результаты, оставим это на его совести)
  
  
• движения: текущая скорость любой частицы равна сумме части скорости в предыдущий момент времени и изменению скорости, которое равно силе, с которой воздействует система на частицу, деленной на инерциальную массу частицы.

Имея в арсенале эти два закона, метод работает по следующему плану:

1. генерация системы случайным образом,
2. определение приспособленности каждой частицы,
3. обновление значений гравитационной постоянной, лучшей и худшей частиц, а так же масс,
4. подсчет результирующей силы в различных направлениях,
5. подсчет ускорений и скоростей,
6. обновление позиций частиц,
7. повторений шагов 2 — 6 до выполнения критерия окончания (либо превышение максимального количества итераций, либо слишком малой изменение позиций, либо что вашей душе угодно любой другой осмысленный критерий).

Для тех, кого интересует более подробное описание алгоритма

Итак, у нас есть некоторая функция, которую необходимо минимизировать: . Кроме этого, есть область , в которой генерируются начальные позиции частиц. В соответствии с планом работы GS, начинается все с генерации системы частиц , где — максимальное количество частиц в системе.

Сила, действующая в момент времени на -ю частицу со стороны -й, рассчитывается по формуле , где — активная гравитационная масса -й частицы, — пассивная гравитационная масса -й частицы, — гравитационная постоянная в соответствующий момент времени, — малая константа, — евклидово расстояние между частицами.

Чтобы алгоритм был не детерминированным, а стохастическим, в формулу расчета результирующей силы добавляются случайные величины (равномерно распределенные от нуля до единицы). Тогда результирующая сила равна .

Посчитаем ускорения и скорости: , где — операция покомпонентного умножения векторов, — случайная величина, равномерно распределенная от нуля до единицы, — инертная масса -й частицы.

Остается пересчитать положение частиц. Сделать это очень просто: .

К текущему моменту осталось два вопроса: как изменяется гравитационная постоянная и как рассчитывать массы частиц. Значение гравитационной постоянной должно определяться монотонно убывающей функцией, зависящей от начального значений постоянной и момента времени , т.е. .
Например, можно брать следующие функции:

• , где : ,
• , где : ,
• , где : .

Теперь можно приступить к заключительной части повествования: к пересчету масс. В простейшем случае все три массы (пассивная, активная и инерциальная) приравниваются: . Тогда значение масс можно пересчитать по формуле: , где .
Конечно, можно рассчитывать массы исходя из их физического значения, тем не менее Рашеди об этом не говорит (и никто из авторов, которых я смог найти).

Pros and Cons

Плюсы

• как и в случае с гармоническим поиском простота реализации,
• на практике метод точнее, чем генетические алгоритмы с вещественным кодированием и классический PSO,
• большая скорость сходимости, чем у генетических алгоритмов с вещественным кодированием и классического PSO.

Минусы

• не самая большая скорость за счет необходимости пересчета многих параметров,
• большая часть достоинств теряется при оптимизации мультимодальных функций (особенно больших размерностей), так как метод начинает быстро сходиться к некоторому локальному оптимуму, из которого сложно выбраться, так как не предусмотрены процедуры, похожие на мутации в генетических алгоритмах.

Использованные источники

1. Работа самого Рашеди (на случай, если у кого-то есть доступ к их библиотеке),
2. Прекрасная статья Карпенко, в которой коротко описаны многие алгоритмы (на нее в дальнейшем не раз буду ссылаться),
3. Подборка статей.

Может пригодиться

• Код для Mathlab'а

Послесловие

На этом, пожалуй, знакомство с методом гравитационного поиска стоит закончить. Очень надеюсь, что данный пост получился лучше предыдущего. Остается лишь проголосовать за тему следующего поста.