白鹭群优化算法,原理详解,MATLAB代码免费获取

2024-05-25 16:44

本文主要是介绍白鹭群优化算法,原理详解,MATLAB代码免费获取,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

白鹭群优化算法(Egret Swarm Optimization Algorithm,ESOA)是一种受自然启发的群智能优化算法。该算法从白鹭和白鹭的捕食行为出发,由三个主要部分组成:坐等策略、主动策略和判别条件。将ESOA算法与粒子群算法(PSO)、遗传算法(GA)、差分进化算法(DE)、等算法在36个基准函数和3个工程问题上的性能进行了比较。结果证明了该方法的有效性和鲁棒性。

abe9ca934043c3686efc758ff71f3d57.png

该成果于2022年发表在计算机领域三区期刊Biomimetics上,目前在谷歌学术上被引率39次。

a452786683336efd83dd40aba63759a9.png

大多数白鹭栖息在沿海岛屿、海岸、河口和河流,以及靠近海岸的湖泊、池塘、溪流、稻田和沼泽。白鹭通常是成对的,或者是成群的。由于飞行时能量消耗很大,决定捕食通常需要彻底检查飞行轨迹,以确保通过食物的位置获得的能量比飞行中消耗的能量要多。总体而言,采用积极搜索策略的大白鹭会平衡高能量消耗以获得更大的潜在回报,而采用坐等策略的雪白鹭则会平衡低能量消耗以获得更小但更可靠的利润。

1、算法原理

(1)数学模型与算法

ESOA受白鹭的守株待兔策略和大白鹭的攻击策略的启发,结合了这两种策略的优点,构建了相应的数学模型来量化行为。如图所示,ESOA是一个并行算法,有三个基本组成部分:坐等策略,积极策略和判别条件。一个白鹭小队中有三只白鹭,白鹭A采用引导前进机制,白鹭B和白鹭C分别采用随机行走和包围机制。每一部分的细节如下。

c60d84e8ccf5c87fe6a9727a20c4cfb6.jpeg

Egret Squad的各个角色和搜索首选项如图所示。白鹭A将估计下降平面并基于平面参数的梯度进行搜索,白鹭B执行全局随机漫游,白鹭C基于更好的白鹭的位置选择性地进行探索。通过这种方式,ESOA在开发和勘探方面将更加平衡,并能够快速搜索可行的解决方案。与梯度下降不同,ESOA在梯度估计中引用了历史信息和随机性,这意味着它不太可能落入优化问题的鞍点。ESOA也不同于其他的元启发式算法,通过估计优化问题的切平面,使快速下降到当前的最优点。

73e01b1a088a3d5986675413cda4fb6f.png

(2)坐等策略

观测方程:假设第i个白鹭小队的位置为Xi ∈ Rn,n为问题的维数,A(n)为白鹭对当前位置可能存在的猎物的估计方法。是对当前位置猎物的估计,

则估计方法可以被参数化为,

其中wi ∈ Rn是估计方法的权重。误差ei可以描述为,

同时,ω i的实际梯度ω gi ∈ Rn可以通过对误差方程(3)的wi进行偏导数来恢复,其方向为d ω i。

下图展示了白鹭的跟随行为,其中白鹭在捕食过程中参考了更好的白鹭,借鉴了它们估计猎物行为的经验并融入了自己的想法。dh,i ∈ Rn是小队最佳位置的方向修正,而dg,i ∈ Rn是所有小队最佳位置的方向修正。

3ad63a2dceaa633ed27a7892aad1bcc4.png

积分梯度gi ∈ Rn可以表示如下,并且rh ∈ [0,0.5),rg ∈ [0,0.5):

这里应用自适应权重更新方法[76],β1为0.9,β2为0.99:

根据白鹭A对当前情况的判断,下一个采样位置xa,i可以描述为,

其中t和tmax是当前迭代时间和最大迭代时间,而hop是解空间的下界和上界之间的差距。stepa ∈(0,1]是白鹭A的步长因子。ya,i是xa,i的适合度。

(3)积极的战略

白鹭B倾向于随机搜索猎物,其行为可描述如下,

其中rb,i是(− π/2,π/2)中的随机数,xb,i是白鹭B的预期下一个位置,yb,i是适应度。

白鹭C喜欢攻击性地追逐猎物,因此使用包围机制作为其位置的更新方法:

(4)判别条件

在白鹭小队的每个成员都决定了自己的计划后,小队会选择最佳方案并一起采取行动。xs,i是第i个白鹭小队的解矩阵:

29695d6a1480f94be1b97e3a4e2776ce.png

如果最小值ys,i优于当前适应度yi,则白鹭队接受该选择。或者随机数r∈(0,1)小于0.3,这意味着有30%的可能性接受更差的方案。

ESOA对应的算法的伪代码如下所示。

bb977bd812c0a14b55380f1a24a73644.png

2、结果展示

20093d1982a7b239205277a12036e34a.png

da91a4a8f51b37c484167fd57b5b5ecf.png

87b35e8d8606dfcae8cbba7ab6bddfc9.png

3、MATLAB核心代码

%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [y_global_best, x_global_best, Convergence_curve]=ESOA(SearchAgents_no, Max_iter, lb, ub, dim, fobj)
func = fobj;
beta1 = 0.9;
beta2 = 0.99;
x=initialization(SearchAgents_no, dim, ub, lb);
Convergence_curve=zeros(1,Max_iter);
w = random('Uniform', -1, 1, SearchAgents_no, dim);
%g = random('Uniform', -1, 1, SearchAgents_no, dim);
m = zeros(SearchAgents_no, dim);
v = zeros(SearchAgents_no, dim);
y = zeros(SearchAgents_no,1);
for i=1:SearchAgents_noy(i) = func(x(i,:));
end
p_y = y;
x_hist_best = x;
g_hist_best = x;
y_hist_best = ones(SearchAgents_no)*inf;
x_global_best = x(1, :);
g_global_best = zeros(1, dim);
y_global_best = func(x_global_best);
hop = ub - lb;
l=0;% Loop counter
% Main loop
while l<Max_iterfor i=1:SearchAgents_nop_y(i) = sum(w(i, :) .* x(i, :));p = p_y(i) - y(i);g_temp = p.*x(i, :);% Indivual Directionp_d = x_hist_best(i, :) - x(i, :);f_p_bias = y_hist_best(i) - y(i);p_d = p_d .* f_p_bias;p_d = p_d ./ ((sum(p_d)+eps).*(sum(p_d)+eps));d_p = p_d + g_hist_best(i, :);% Group Directionc_d = x_global_best - x(i, :);f_c_bias = y_global_best - y(i);c_d = c_d .* f_c_bias;c_d = c_d ./ ((sum(c_d)+eps).*(sum(c_d)+eps));d_g = c_d + g_global_best;% Gradient Estimationr1 = rand(1, dim);r2 = rand(1, dim);g = (1 - r1 - r2).*g_temp + r1 .* d_p + r2 .* d_g;g = g ./ (sum(g) + eps);m(i,:) = beta1.*m(i,:)+(1-beta1).*g;v(i,:) = beta2*v(i,:)+(1-beta2)*g.^2;w(i,:) = w(i,:) - m(i,:)/(sqrt(v(i,:))+eps);% Advice Forwardx_o = x(i, :) + exp(-l/(0.1*Max_iter)) * 0.1 .* hop .* g;Flag4ub=x_o>ub;Flag4lb=x_o<lb;x_o = (x_o.*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;y_o = func(x_o);% Random Searchr = random('Uniform', -pi/2, pi/2, 1, dim);x_n = x(i, :) + tan(r) .* hop/(1 + l) * 0.5;Flag4ub=x_n>ub;Flag4lb=x_n<lb;x_n = (x_n.*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;y_n = func(x_n);% Encircling Mechanismd = x_hist_best(i, :) - x(i, :);d_g = x_global_best - x(i, :);r1 = rand(1, dim);r2 = rand(1, dim);x_m = (1-r1-r2).*x(i, :) + r1.*d + r2.*d_g;Flag4ub=x_m>ub;Flag4lb=x_m<lb;x_m = (x_m.*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;y_m = func(x_m);% Discriminant Conditionx_summary = [x_m; x_n; x_o];y_summary = [y_m, y_n, y_o];y_summary(isnan(y_summary)) = inf;ind = y_summary==min(y_summary);y_i = min(y_summary);x_i = x_summary(ind, :);x_i = x_i(1, :);if y_i < y(i)y(i) = y_i;x(i, :) = x_i;if y_i < y_hist_best(i)y_hist_best(i) = y_i;x_hist_best(i, :) = x_i;g_hist_best(i, :) = g_temp;if y_i < y_global_besty_global_best = y_i;x_global_best = x_i;g_global_best = g_temp;endendelseif rand()<0.3y(i) = y_i;x(i, :) = x_i;endendend    
l=l+1;    
fprintf("%d, %f\n", l, y_global_best)
Convergence_curve(l) = y_global_best;
end
end

参考文献

[1]Chen Z, Francis A, Li S, et al. Egret swarm optimization algorithm: an evolutionary computation approach for model free optimization[J]. Biomimetics, 2022, 7(4): 144.

完整代码获取

后台回复关键词:

TGDM833

这篇关于白鹭群优化算法,原理详解,MATLAB代码免费获取的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1002063

相关文章

Java调用Python代码的几种方法小结

《Java调用Python代码的几种方法小结》Python语言有丰富的系统管理、数据处理、统计类软件包,因此从java应用中调用Python代码的需求很常见、实用,本文介绍几种方法从java调用Pyt... 目录引言Java core使用ProcessBuilder使用Java脚本引擎总结引言python

Mysql 中的多表连接和连接类型详解

《Mysql中的多表连接和连接类型详解》这篇文章详细介绍了MySQL中的多表连接及其各种类型,包括内连接、左连接、右连接、全外连接、自连接和交叉连接,通过这些连接方式,可以将分散在不同表中的相关数据... 目录什么是多表连接?1. 内连接(INNER JOIN)2. 左连接(LEFT JOIN 或 LEFT

Java中ArrayList的8种浅拷贝方式示例代码

《Java中ArrayList的8种浅拷贝方式示例代码》:本文主要介绍Java中ArrayList的8种浅拷贝方式的相关资料,讲解了Java中ArrayList的浅拷贝概念,并详细分享了八种实现浅... 目录引言什么是浅拷贝?ArrayList 浅拷贝的重要性方法一:使用构造函数方法二:使用 addAll(

Java中switch-case结构的使用方法举例详解

《Java中switch-case结构的使用方法举例详解》:本文主要介绍Java中switch-case结构使用的相关资料,switch-case结构是Java中处理多个分支条件的一种有效方式,它... 目录前言一、switch-case结构的基本语法二、使用示例三、注意事项四、总结前言对于Java初学者

Linux内核之内核裁剪详解

《Linux内核之内核裁剪详解》Linux内核裁剪是通过移除不必要的功能和模块,调整配置参数来优化内核,以满足特定需求,裁剪的方法包括使用配置选项、模块化设计和优化配置参数,图形裁剪工具如makeme... 目录简介一、 裁剪的原因二、裁剪的方法三、图形裁剪工具四、操作说明五、make menuconfig

Redis主从复制实现原理分析

《Redis主从复制实现原理分析》Redis主从复制通过Sync和CommandPropagate阶段实现数据同步,2.8版本后引入Psync指令,根据复制偏移量进行全量或部分同步,优化了数据传输效率... 目录Redis主DodMIK从复制实现原理实现原理Psync: 2.8版本后总结Redis主从复制实

JAVA利用顺序表实现“杨辉三角”的思路及代码示例

《JAVA利用顺序表实现“杨辉三角”的思路及代码示例》杨辉三角形是中国古代数学的杰出研究成果之一,是我国北宋数学家贾宪于1050年首先发现并使用的,:本文主要介绍JAVA利用顺序表实现杨辉三角的思... 目录一:“杨辉三角”题目链接二:题解代码:三:题解思路:总结一:“杨辉三角”题目链接题目链接:点击这里

SpringBoot使用注解集成Redis缓存的示例代码

《SpringBoot使用注解集成Redis缓存的示例代码》:本文主要介绍在SpringBoot中使用注解集成Redis缓存的步骤,包括添加依赖、创建相关配置类、需要缓存数据的类(Tes... 目录一、创建 Caching 配置类二、创建需要缓存数据的类三、测试方法Spring Boot 熟悉后,集成一个外

详解Java中的敏感信息处理

《详解Java中的敏感信息处理》平时开发中常常会遇到像用户的手机号、姓名、身份证等敏感信息需要处理,这篇文章主要为大家整理了一些常用的方法,希望对大家有所帮助... 目录前后端传输AES 对称加密RSA 非对称加密混合加密数据库加密MD5 + Salt/SHA + SaltAES 加密平时开发中遇到像用户的

Springboot使用RabbitMQ实现关闭超时订单(示例详解)

《Springboot使用RabbitMQ实现关闭超时订单(示例详解)》介绍了如何在SpringBoot项目中使用RabbitMQ实现订单的延时处理和超时关闭,通过配置RabbitMQ的交换机、队列和... 目录1.maven中引入rabbitmq的依赖:2.application.yml中进行rabbit