逯 苗, 曲良東, 何登旭

(廣西民族大學(xué)數(shù)學(xué)與物理學(xué)院，南寧 530006)

0 引言

非線性方程組是數(shù)學(xué)學(xué)科中的一個(gè)重要組成部分[1–2]，在現(xiàn)實(shí)生活中，很多物理[3]、工程[4]類問(wèn)題最后都可歸結(jié)為非線性方程組的求解問(wèn)題。因此，對(duì)求解非線性方程組，尤其是多根非線性方程組的研究具有重要研究意義。目前有很多應(yīng)用傳統(tǒng)的方法對(duì)多根非線性方程組求解，比如：牛頓法[5]、迭代法[6]等。但傳統(tǒng)算法對(duì)迭代初始值的選取比較嚴(yán)格，或需要計(jì)算導(dǎo)數(shù)和矩陣求逆，對(duì)于有些復(fù)雜的方程組不存在導(dǎo)數(shù)或很難求解時(shí)，這些算法就產(chǎn)生一定的局限性，即使找到方程組的近似解，但是精度較差[7]。

隨著群智能算法應(yīng)用領(lǐng)域的不斷被擴(kuò)充，群智能算法被廣泛應(yīng)用到求解多根非線性方程組，在求解問(wèn)題時(shí)，首先將多根非線性方程組問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題，即轉(zhuǎn)化成單目標(biāo)優(yōu)化問(wèn)題或多目標(biāo)優(yōu)化問(wèn)題兩種方法。近年來(lái)，Pourrajabian 等[8]將遺傳算法和增廣拉格朗日函數(shù)進(jìn)行結(jié)合求解簡(jiǎn)單非線性方程組。Ali 等[9]利用差分進(jìn)化算法結(jié)合精英反向?qū)W習(xí)以及變步長(zhǎng)隨機(jī)定位的概念等，提出了求解多目標(biāo)優(yōu)化問(wèn)題的改進(jìn)差分進(jìn)化算法。王冬冬和周永權(quán)[10]將人工魚(yú)群算法應(yīng)用于非線性方程組的求解問(wèn)題。歐陽(yáng)艾嘉等[11]將Hooke-Jeeves 算法與粒子群算法結(jié)合提出求解非線性方程組的混合粒子群優(yōu)化算法。趙光偉和周永權(quán)[12]提出人工螢火蟲(chóng)算法和復(fù)合形法相結(jié)合的方法求解非線性方程組的問(wèn)題。Abdollahi 等[13]采用帝國(guó)主義競(jìng)爭(zhēng)算法求解非線性方程組等。

群智能算法具有結(jié)構(gòu)簡(jiǎn)單，收斂速度快。因此，將群智能優(yōu)化算法應(yīng)用于非線性方程組求解時(shí)對(duì)初始解要求不高，不需要進(jìn)行求導(dǎo)，而且具有較強(qiáng)的魯棒性。但在多根非線性方程組的求解過(guò)程中仍然存在求解個(gè)數(shù)不完全、精度不高等問(wèn)題。為解決這一問(wèn)題，本文提出探路者灰狼優(yōu)化算法，受探路者算法中跟隨者的啟發(fā)，對(duì)灰狼種群中β、δ、ω個(gè)體位置的更新原則進(jìn)行改變；重新設(shè)計(jì)位置更新公式等對(duì)原灰狼算法進(jìn)行改造，進(jìn)而對(duì)多根非線性方程組進(jìn)行求解，通過(guò)仿真實(shí)驗(yàn)以及和其他智能算法的比較，進(jìn)一步驗(yàn)證該算法在多根非線性方程組的求解問(wèn)題上有良好的求解效果。

1 非線性方程組

設(shè)一個(gè)非線性方程組由n個(gè)方程組成，涉及n個(gè)未知量，形式如下

其中fi(X) =Ai(i= 1,2,··· ,n)為非線性方程組，X= [x1,x2,··· ,xn]為方程組的未知向量，Ai(i= 1,2,··· ,n)為常數(shù)項(xiàng)。群智能優(yōu)化算法在求解非線性方程組的問(wèn)題時(shí)，需要將非線性方程組問(wèn)題轉(zhuǎn)換為優(yōu)化問(wèn)題。將非線性方程組轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題，其表達(dá)形式為

那么求非線性方程組的解的問(wèn)題就轉(zhuǎn)化成了求適應(yīng)度函數(shù)F(X)最小值的問(wèn)題。本文選取公式(1)的方法求解非線性方程組的解。

2 灰狼優(yōu)化算法和探路者算法

2.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法(Grey Wolf Optimiztion, GWO)[14]是一種新型群智能優(yōu)化算法，主要模擬灰狼的社會(huì)等級(jí)和捕食行為。種群中的頭狼稱為α，其次為β，然后是δ，其余狼稱為ω。在求解函數(shù)優(yōu)化問(wèn)題時(shí)，假設(shè)灰狼種群規(guī)模為N，搜索維度為d維，xi=(xi1,xi2,··· ,xid)用來(lái)表示第i只灰狼在d維空間的位置，它們對(duì)獵物的搜索行為可以通過(guò)以下數(shù)學(xué)模型進(jìn)行描述

其中Xp(t)表示第t代獵物的位置；X(t)表示第t代灰狼個(gè)體的位置；常數(shù)C為擺動(dòng)因子，由式(5)決定，A為收斂因子，由式(6)決定

其中r1和r2是取值在[0,1]之間的隨機(jī)向量，a在迭代中從2 線性地減小到0。

對(duì)于每一只ω狼，首先根據(jù)

計(jì)算它們與α、β、δ的距離，然后由式(13)綜合判斷出灰狼個(gè)體向獵物移動(dòng)的方向。Xα表示α狼的位置，Xβ表示β狼的位置，Xδ表示δ狼的位置，C1、C2、C3是隨機(jī)向量。

2.2 探路者算法

探路者算法(Pathfinder Algorithm, PFA)[15]受到動(dòng)物群體運(yùn)動(dòng)的啟發(fā)，模仿動(dòng)物群體的領(lǐng)導(dǎo)階層來(lái)尋找最佳的食物區(qū)域或獵物。每個(gè)個(gè)體在空間中都有一個(gè)位置，種群中的最優(yōu)位置將被選為領(lǐng)導(dǎo)者，這里我們稱種群的領(lǐng)導(dǎo)者為探路者，種群中的其他個(gè)體稱為跟隨者，到尋找獵物或覓食區(qū)域時(shí)，個(gè)體將跟隨探路者，則探路者的更新公式如下

其中K表示當(dāng)前迭代，xi是第i個(gè)成員的位置向量，xj是第j個(gè)成員的位置向量，R1和R2是隨機(jī)向量，R1=αr1, R2=βr2，r1和r2是在[0,1]范圍內(nèi)均勻生成的隨機(jī)變量，α是相互作用系數(shù)，取值為α= 1+(2?1)·rand，β是與探路者保持的隨機(jī)距離，取值為β=1+(2?1)·rand，ε是振動(dòng)向量，使用如下更新公式

其中u1和u2是在[0,1]的隨機(jī)數(shù)，Dij是兩個(gè)成員之間的距離，Kmax是最大迭代次數(shù)。

3 多根非線性方程組求解的探路者灰狼算法

3.1 探路者灰狼算法(PGWO)

灰狼優(yōu)化算法和探路者算法從算法結(jié)構(gòu)上講，兩個(gè)算法都有領(lǐng)導(dǎo)者和跟隨者，灰狼主要由α狼進(jìn)行引導(dǎo)使其他等級(jí)的狼向獵物展開(kāi)攻擊圍捕。因此，α狼對(duì)應(yīng)看作是探路者，β狼則是α狼的跟隨者，δ狼的位置由α狼、β狼決定，可以看作跟隨者。兩種算法進(jìn)行結(jié)合在原理上具有一定優(yōu)勢(shì)，由于GWO 算法后期收斂速度慢，原因在于狼群主要依據(jù)與α、β和δ的距離來(lái)判斷與獵物之間的距離所導(dǎo)致。而在PFA 算法中，跟隨者的更新機(jī)制可以有效解決這一問(wèn)題，具有較好的平衡算法的全局搜索和局部開(kāi)發(fā)的能力。PGWO 算法將保留α狼的更新原則，對(duì)其余灰狼的更新將結(jié)合跟隨者的更新原則對(duì)原過(guò)程進(jìn)行修改。這樣即保留了全局搜索能力，又提高了局部開(kāi)發(fā)能力，增強(qiáng)探測(cè)能力的同時(shí)提高收斂速度和精度。

α狼的位置按照GWO 算法中的更新公式(7)、(10)進(jìn)行更新，β狼作為α狼的跟隨者，為最優(yōu)的跟隨者，β狼的位置更新將直接由與α的距離決定，位置更新如下

δ狼作為α和β狼的跟隨者，是次優(yōu)的跟隨者，位置更新由α和β，β和δ的距離決定，位置更新如下

其他灰狼的位置更新如下

其中C、A分別按照公式(5)和(6)進(jìn)行更新，ε按照公式(17)進(jìn)行更新。探路者原算法中跟隨者的位置由任一位置和最優(yōu)位置的距離決定的，而改進(jìn)的GWO 算法中跟隨者的位置由最優(yōu)跟隨者和探路者決定，可以提高算法的局部搜索能力，提高搜索精度。

3.2 算法步驟

多根非線性方程組的求解就是將問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題，由于傳統(tǒng)算法的局限性和復(fù)雜性，一般群智能算法在多根問(wèn)題的求解存在求解個(gè)數(shù)不全以及精度不高的問(wèn)題。本文提出探路者灰狼算法，相比較原始灰狼優(yōu)化算法結(jié)合了探路者算法的探路者和跟隨著的更新機(jī)制，并對(duì)位置更新機(jī)制進(jìn)行更改，有效提高算法的收斂速度以及搜索精度，具體算法描述如下：

步驟1 參數(shù)設(shè)置，種群規(guī)模N，最大迭代次數(shù)Tmax，搜索維度D，搜索范圍[lb,ub]以及A、C、ε；

步驟2 初始化種群個(gè)體，并計(jì)算灰狼個(gè)體的適應(yīng)度值，保存適應(yīng)度值最好的前三匹狼記為α、β、δ；

步驟3 根據(jù)公式(7)和(10)對(duì)α狼的位置進(jìn)行更新，再根據(jù)公式(18)和(19)分別更新種群中β、δ狼的位置，根據(jù)公式(20)更新當(dāng)前灰狼位置；

步驟4 根據(jù)公式(5)和(6)更新參數(shù)A、C，再根據(jù)公式(18)更新參數(shù)ε；

步驟5 判斷是否滿足結(jié)束條件，若滿足輸出結(jié)果，即為最優(yōu)灰狼位置，否則返回步驟3。

4 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試PGWO 算法的多根非線性方程組求解的性能，采用9 個(gè)方程組作為測(cè)試方程組，并且和其他實(shí)驗(yàn)數(shù)據(jù)加以比較。在對(duì)比實(shí)驗(yàn)中，為保證算法的公平性，所有的仿真實(shí)驗(yàn)實(shí)現(xiàn)在CPU 為Intel Core i7-10510u，主頻為1.80 GHz，內(nèi)存為8 GB 的PC 上，采用Matlab R2018(b)進(jìn)行實(shí)現(xiàn)。

實(shí)驗(yàn)1 選取參考文獻(xiàn)[16]中的方程組1、方程組2，參數(shù)設(shè)置為：種群規(guī)模N=30，最大迭代次數(shù)1 000，獨(dú)立運(yùn)行30 次，計(jì)算其平均值，實(shí)驗(yàn)結(jié)果如表1。

表1 方程組1、方程組2 的計(jì)算結(jié)果

方程組1

其中x ∈[0,2]，理論解為x?=(1.546 342,1.391 174)T, x?=(1.067 412,0.139 460)T。

由表1 可知，NA 表示未求出的解，對(duì)于方程組1，PGWO 算法能求出全部解，比HCS 算法和文獻(xiàn)[17]中的AGSO 算法求解精度高，并且求解精度優(yōu)于原始灰狼優(yōu)化算法。對(duì)于方程組2，AGSO 算法和GWO 算法只能求出兩個(gè)解，求解不全，PGWO 算法求得全部解并且求解精度優(yōu)于HCS，說(shuō)明利用此算法能更大程度地獲得問(wèn)題的解。

實(shí)驗(yàn)2 選取文獻(xiàn)[16]中的方程組9、方程組10 進(jìn)行比較分析，為了方便比較，參數(shù)設(shè)置為：種群個(gè)數(shù)100，最大迭代次數(shù)5 000，Pa= 0.25, F= 0.6, CR= 0.8，每個(gè)方程組獨(dú)立運(yùn)行50 次，求其平均值，實(shí)驗(yàn)結(jié)果如表2 和表3 所示。

方程組3

從表2 和表3 可知，方程組3 用本文算法求出的結(jié)果比理論值精度高，但x2比HCS 算法的精度略差，與標(biāo)準(zhǔn)GWO 算法和AGSO 算法相比求解精度高。方程組4 的測(cè)試結(jié)果與理論值、HCS、AGSO 算法比較發(fā)現(xiàn)PGWO 算法能求出全部解并且求解精度較高。

表2 方程組3 的計(jì)算結(jié)果

實(shí)驗(yàn)3 選取參考文獻(xiàn)[18]中的例1、例4、例5 進(jìn)行測(cè)試分析，以及文獻(xiàn)[19]中的F36、F52。參數(shù)設(shè)置為：種群個(gè)數(shù)100，最大迭代次數(shù)1 000，每個(gè)方程組獨(dú)立運(yùn)行50 次，求其平均值，實(shí)驗(yàn)結(jié)果如表4 至表6 所示。

表4 方程組5 的計(jì)算結(jié)果

表6 方程組7 的計(jì)算結(jié)果

方程組5

其中xi ∈[?10,10]，該方程有如下13 個(gè)解：

表5 方程組6 的計(jì)算結(jié)果

方程組7

其中xi ∈[?5,5], i=1,2，該方程有如下9 個(gè)解：

根據(jù)以上方程組可知，方程組5 有13 個(gè)解，HCS 算法求出9 個(gè)解，AGSO 算法求出8 個(gè)解，GWO 算法求出10 個(gè)解。方程組6 有10 個(gè)解，HCS 算法求出10 個(gè)解，AGSO算法求出8 個(gè)解，GWO 算法求出10 個(gè)解，但求解精度較PGWO 算法稍差。方程組7 有9個(gè)解，HCS 算法求出7 個(gè)解，AGSO 算法求出5 個(gè)解，GWO 算法求出7 個(gè)解，對(duì)于這三個(gè)多根的方程組，由表4 至表6 可知，PGWO 算法可以求出全部解并且求解精度較高，說(shuō)明該算法在迭代范圍內(nèi)能求出全部解，PGWO 算法在多根非線性方程組的求解問(wèn)題中具有較強(qiáng)的搜索能力。

方程組8

其中xi ∈[0,1], i=1,2,3，該方程有如下8 個(gè)解：

方程組8 有8 個(gè)標(biāo)準(zhǔn)解，從表7 中數(shù)據(jù)顯示，PGWO 算法求出7 個(gè)精度較高的解，而HCS 算法和AGSO 算法均求出6 個(gè)解，GWO 算法求出7 個(gè)解。方程組9 有15 個(gè)標(biāo)準(zhǔn)解，從表8 中數(shù)據(jù)顯示PGWO 算法求出14 個(gè)精度較高的解，而HCS 算法和AGSO 算法均求出13 個(gè)解，GWO 算法求出14 個(gè)解。根據(jù)以上8 個(gè)多根測(cè)試方程組的實(shí)驗(yàn)結(jié)果可以看出，在求解多根方程組1 至方程組4 時(shí)，PGWO 算法的求解性能相對(duì)其他群智能算法比較明顯，足以說(shuō)明GWO 算法和PFA 算法融合對(duì)多根非線性方程組求解的高效性。對(duì)于多根方程組5 至方程組7 的求解，PGWO 能夠求出全部解且求解精度較高。但是從方程組8、方程組9 的數(shù)據(jù)顯示，PGWO 算法在求解個(gè)別多根的非線性方程組是依然存在求解不完全的問(wèn)題，該問(wèn)題也會(huì)成為進(jìn)一步改進(jìn)的重點(diǎn)。

表8 方程組9 的計(jì)算結(jié)果

5 結(jié)論

本文分析了傳統(tǒng)多根非線性方程組求解方法的不足，并提出了一種結(jié)合探路者算法中跟隨者更新機(jī)制的灰狼優(yōu)化算法。通過(guò)9 組測(cè)試方程組進(jìn)行了反復(fù)實(shí)驗(yàn)，并與其他智能優(yōu)化算法進(jìn)行比較分析，最后實(shí)驗(yàn)數(shù)據(jù)表明，本文算法在求解的精度上都具有一定優(yōu)勢(shì)，但是對(duì)于個(gè)別多根非線性方程組的求解存在求解不完全的現(xiàn)象。接下來(lái)將針對(duì)該算法進(jìn)行深入研究，并應(yīng)用到其他領(lǐng)域。