OIF-BSO：一种用于多模优化问题的头脑风暴优化的优化识别框架

参考文献
《An optima-identified framework with brain storm optimization for multimodal optimization problems》

要点

多模态优化问题(multimodal optimization problem, MMOPs)的两个关键问题是定位多个最优解并维护这些已识别的解。针对这两个问题，本文提出了一种结合头脑风暴优化(BSO)算法的优化识别框架(OIF)，该框架能够识别搜索过程中找到的全局最优解，并保持这些最优解直到运行结束。首先，采用最大适应度聚类方法(MCM)形成不同的聚类，每个聚类中心很可能成为一个极值点；然后，设计了一种改进的打断策略(MDS)来区分和识别这些聚类中心之间的潜在最优。最后，我们引入两种再分配策略(RS)来最大限度地利用聚类中心被确定为全局最优的个体。

提议的算法

优化识别框架(OIF)由三个主要组件组成，其流程图如图1所示。首先，采用大规模适应度聚类方法(mass -fitness clustering method, MCM)将种群划分为多个聚类，每个聚类中心都有很高的可能成为一个极值点；然后设计了一种改进的打断策略(MDS)来区分这些聚类中心，并从中识别出全局最优。红色虚线框中的集群意味着它们的集群中心已被识别为不同的全局最优。最后，选择两种再分配策略(RS)来利用集群中的冗余个体，即利用现有个体或开发其他区域。在OIF的基础上，为了提高BSO算法的局部搜索能力，在选择种子个体时采用轮盘赌轮选择，在替换步采用拥挤策略。

1、Max-fitness聚类方法

2、改进的打断策略