17、NMSOMA-M：大规模优化的有效算法

NMSOMA-M：大规模优化的有效算法

在优化算法的领域中，寻找一种能够有效解决大规模问题的方法一直是研究的重点。本文将介绍一种新的混合算法NMSOMA - M，它结合了SOMA算法与NM交叉算子和Log - logistic变异算子，旨在解决大规模函数优化中的过早收敛问题，并保持种群的多样性。

1. 相关算法背景

1.1 已有算法研究

在优化算法的发展历程中，许多研究者提出了各种不同的算法和算子。例如，Xing等人基于免疫操作开发了一种新的变异算子；Deep等人提出了一种用于实数编码遗传算法的新变异算子，并与实数编码幂变异算子进行了性能比较；Mohan和Shankar开发了基于二次逼近的全局优化随机搜索技术；Deep和Das提出了基于二次逼近的混合遗传算法；Deep和Bansal将PSO与二次逼近算子进行了杂交；Millie等人提出了一种新的粒子群优化变体QPSO等。然而，除了少数研究外，关于SOMA与其他方法的杂交研究相对较少。

1.2 SOMA算法介绍

自组织迁移算法（SOMA）是一种相对较新的随机进化算法，它基于一组个体的社会行为。该算法的工作原理很简单，在每一代中，具有最高适应度值的个体被称为领导者，最差的个体被称为活跃个体。活跃个体朝着领导者的方向移动，而不是相互竞争。算法在迁移循环中移动，在每个迁移循环中，活跃个体以定义的长度分n步向领导者移动一定距离。这个路径会受到一个称为PRT参数的随机扰动。

SOMA算法的计算步骤如下：
1. 生成初始种群
2. 评估种群中所有个体
3. 为所有个体生成PRT向量
4. 对所有个体进行排序
5. 选择适应度最高