98 工程科学学报，第44卷，第1期 58000 56000 T℃-G/uS.cm)+-pH Begin 54000 -SY%◆-DOmL·L4-ORP/mV 52000 ●● 50000 Initialize parameters of 81 BAS algorithm 50 i00 Update position of the left 35 30 and right beetle antennae 25 20 Update position 15 10 of the beetle 本扫料 0 0 20406080100120140 Update the Compute the value of search step fitness function 图2海水环境因子监测值 Fig.2 Monitoring values of seawater environmental factors Does it meet the termination 2算法分析 condiction? 2.1天牛须搜索算法 Y 天牛须搜索2(Beetle antennae search,BAS)算 Get the best parameters 法是2017年提出的一种高效的智能优化算法 BAS算法受天牛觅食原理启发而开发，当天牛觅 End 食时，天牛并不知道食物位置，而是根据食物气味 强弱来觅食.如果天牛左边触角接收到的气味强 图3BAS算法流程图 度比右边大，那么下一步天牛向左爬行，否则向右 Fig.3 Flowchart of the BAS algorithm 爬行，依据这一简单原理天牛可以有效找到食物 8表示在第t次迭代时的步长因子；sign0表示符 BAS算法无需知晓函数的具体形式和梯度信息， 号函数 并且仅需要一个搜索个体，其相比于粒子群算法 第四步计算天牛移动后的适应度函数值并判 的运算量大大降低.同时，与遗传算法和模拟退火 断是否满足迭代结束条件，若满足迭代结束条件 算法相比，BAS算法代码实现简单，避免了遗传算 则迭代结束并跳转第六步，否则跳转第五步 法中复杂的交叉、变异操作，收敛速度更快四.其 第五步更新步长因子的值并重复第二步~第 算法流程图如图3所示 四步： 第一步创建天牛朝向的随机向量且做归一化 +1=6'xeta (4) 处理： 式中，1表示在第什1次迭代时的步长因子；eta B=rands(dim,l)） (1) 为步长因子的衰减系数，通常将eta取0.95 llrands(dim,1) 第六步获得最优参数，搜索结束 式中，rands)(为随机函数，dim表示空间维度 2.2基于CIV的双率腐蚀数据处理方法 第二步创建天牛左右须空间坐标： 由于腐蚀电位和海水环境因子的采样周期各 xh=X-d0×b/2 (2) 不相同，因此在建立预测模型之前需要对双率腐 xm=X+d0×b/2 蚀数据进行预处理.为了克服均值法处理带来的 式中，x和xm分别表示天牛左须和右须在第1次 数据信息损失问题，提出了一种基于CIV的双率 迭代时的位置坐标：x表示天牛在第1次迭代时的 腐蚀数据处理方法，其具体步骤如下： 质心坐标；d6表示天牛左右须之间的距离 第一步取采样周期为T的m维(m个海水环 第三步根据适应度函数fitness(0判断天牛左 境因子)的输人采样数据序列X(kT1)=[x1(kT1), 右须气味强度，即fitness(x)和fitness(x)的大小， x2(kT1),…,xm(kTT以及采样周期为T2的由p个 并判断天牛前进方向： 分量(p种材料)组成的1维输出采样数据序列 X+l=X-d×Bx sign(fitness(xn)--fitness(r》(3） YkT2)=y(kT2),y2(kT2),…,yP(kT2)小，其中T1远远大 式中，x表示天牛在第什1次迭代时的质心坐标： 于T2,k表示第k条样本.对YKT2)采用均值法处理2    算法分析 2.1    天牛须搜索算法 天牛须搜索[21] (Beetle antennae search, BAS) 算 法是 2017 年提出的一种高效的智能优化算法. BAS 算法受天牛觅食原理启发而开发，当天牛觅 食时，天牛并不知道食物位置，而是根据食物气味 强弱来觅食. 如果天牛左边触角接收到的气味强 度比右边大，那么下一步天牛向左爬行，否则向右 爬行，依据这一简单原理天牛可以有效找到食物. BAS 算法无需知晓函数的具体形式和梯度信息， 并且仅需要一个搜索个体，其相比于粒子群算法 的运算量大大降低. 同时，与遗传算法和模拟退火 算法相比，BAS 算法代码实现简单，避免了遗传算 法中复杂的交叉、变异操作，收敛速度更快[22] . 其 算法流程图如图 3 所示. 第一步 创建天牛朝向的随机向量且做归一化 处理： ⃗b = rands(dim,1) ∥rands(dim,1)∥ （1） 式中，rands() 为随机函数，dim 表示空间维度. 第二步 创建天牛左右须空间坐标：    xlt = x t −d0 ×⃗b/2 xrt = x t +d0 ×⃗b/2 （2） 式中，xlt 和 xrt 分别表示天牛左须和右须在第 t 次 迭代时的位置坐标；x t 表示天牛在第 t 次迭代时的 质心坐标；d0 表示天牛左右须之间的距离. 第三步 根据适应度函数 fitness() 判断天牛左 右须气味强度，即 fitness(xlt) 和 fitness(xrt) 的大小， 并判断天牛前进方向： x t+1 = x t −δ t ×⃗b×sign(fitness(xrt)−fitness(xlt)) （3） 式中，x t+1 表示天牛在第 t+1 次迭代时的质心坐标； δ t 表示在第 t 次迭代时的步长因子；sign() 表示符 号函数. 第四步 计算天牛移动后的适应度函数值并判 断是否满足迭代结束条件，若满足迭代结束条件 则迭代结束并跳转第六步，否则跳转第五步. 第五步 更新步长因子的值并重复第二步～第 四步： δ t+1 = δ t ×eta （4） 式中，δ t+1 表示在第 t+1 次迭代时的步长因子；eta 为步长因子的衰减系数，通常将 eta 取 0.95. 第六步 获得最优参数，搜索结束. 2.2    基于 CIV 的双率腐蚀数据处理方法 由于腐蚀电位和海水环境因子的采样周期各 不相同，因此在建立预测模型之前需要对双率腐 蚀数据进行预处理. 为了克服均值法处理带来的 数据信息损失问题，提出了一种基于 CIV 的双率 腐蚀数据处理方法，其具体步骤如下： X(kT1) = [x1(kT1), x2(kT1),··· , xm(kT1)] T Y(kT2) = [y 1 (kT2), y 2 (kT2),··· , y p (kT2)] Y(kT2) 第一步 取采样周期为 T1 的 m 维 (m 个海水环 境因子 ) 的输入采样数据序列 以及采样周期为 T2 的由 p 个 分量 (p 种材料) 组成的 1 维输出采样数据序列 ，其中 T1 远远大 于 T2，k 表示第 k 条样本. 对 采用均值法处理 0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35 100 150 200 250 50000 52000 54000 56000 58000 Value t/d T/℃ pH S/% DO/(mL·L)−1 ORP/mV G/(μS·cm)−1 图 2    海水环境因子监测值 Fig.2    Monitoring values of seawater environmental factors Begin Initialize parameters of BAS algorithm Update position of the left and right beetle antennae Update position of the beetle Compute the value of fitness function Update the search step Does it meet the termination condiction? Get the best parameters End N Y 图 3    BAS 算法流程图 Fig.3    Flowchart of the BAS algorithm · 98 · 工程科学学报，第 44 卷，第 1 期