智能优化算法:寄生-捕食算法-附代码

2024-06-18 07:18

本文主要是介绍智能优化算法:寄生-捕食算法-附代码,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!

智能优化算法:寄生-捕食算法

文章目录

  • 智能优化算法:寄生-捕食算法
    • 1.算法原理
      • 1.1 种群初始化
      • 1.2 筑巢阶段(鸟窝)
      • 1.3 寄生阶段(crow-cuckoo)
      • 1.4 捕食阶段(crow-cat)
    • 2.实验结果
    • 3.参考文献
    • 4.Matlab代码

摘要:寄生-捕食(Parasitism – Predation algorithm,PPA)算法是于2019年提出的,它模仿捕食者猫,布谷鸟和乌鸦之间的寄生与捕食行为,形成乌鸦-布谷鸟-猫寄生与捕食系统。该算法具有精度高,收敛速度块等特点。

1.算法原理

1.1 种群初始化

种群初始化与其他优化算法一样,在边界范围内随机初始化:
X i N e w = X i m i n + r a n d ∗ ( X i m a x − X i m i n ) (1) X_i^{New}=X_i^{min}+rand*(X_i^{max}-X_i^{min})\tag{1} XiNew=Ximin+rand(XimaxXimin)(1)

1.2 筑巢阶段(鸟窝)

初始化后,将进入筑巢期、寄生期和捕食期。一开始,乌鸦的数量会随着时间的推移而减少。嵌套阶段被评估为模拟乌鸦通过两个状态飞行。第一个状态是通过生成随机的候选乌鸦,为乌鸦 i i i​生成一个新的位置见式(2)。
X i t + 1 = X i t + L F ∗ ( X r 1 − X i t ) , i ∈ n c r o w (2) X_i^{t+1}=X_i^t+LF*(X_{r1}-X_i^t),i\in n_{crow}\tag{2} Xit+1=Xit+LF(Xr1Xit),incrow(2)
其中: r 1 r1 r1为随机数, L F LF LF为莱维飞行函数,可参见布谷鸟算法。

在筑巢阶段,利用目前最优的一组鸟巢进行更新,通过Levy飞行过程发现鸟巢解决方案。许多物种都观察到了莱维飞行,这是一种随机行走。列维飞行的步长由重尾概率分布控制通常称为Lévy分布。Lévy飞行在探索搜索空间方面优于均匀随机分布,因此用它代替均匀随机运动来模拟局部最优陷入、过早收敛的回避行为,提高了整体搜索空间的探索能力。超出维度范围的种群初始化状态按照式(3)进行。
X i , o u t n e w = X i , o u t m i n + r a n d ∗ ( X i , o u t m a x − X i , o u t m i n ) (3) X_{i,out}^{new}=X_{i,out}^{min}+rand*(X_{i,out}^{max}-X_{i,out}^{min})\tag{3} Xi,outnew=Xi,outmin+rand(Xi,outmaxXi,outmin)(3)
重新初始化“呈现种群的随机变化,以获得增强的探索和增加搜索空间[48]的多样性。”这一阶段被设计为一个纯粹的探索阶段,其中Levy飞行在第一个状态中使用,提供了在整个搜索空间中分散乌鸦的高能力。

1.3 寄生阶段(crow-cuckoo)

一开始,当捕食效率低时,猫会将布谷鸟赶尽杀出。捕食效率高,导致布谷鸟灭绝。布谷鸟的效率被假定为小/中等,而猫的效率则降低了。在此阶段,将部分乌鸦卵(宿主)替换为布谷鸟卵,布谷鸟卵与乌鸦卵相似,被发现的可能性较小。此外,根据适合度选择被寄生的巢,巢越好,被寄生的几率越大。构建新的解决方案/巢穴来取代一些巢穴,并以概率pa发现一小部分较差的巢穴。布谷鸟的新巢可以得到:
X i , n e w c u c k o o = X i , o l d c u c k o o + S G ∗ k (4) X_{i,new}^{cuckoo}=X_{i,old}^{cuckoo}+S_G*k\tag{4} Xi,newcuckoo=Xi,oldcuckoo+SGk(4)

S G = ( X r 2 − X r 3 ) ∗ r a n d (5) S_G=(X_{r2}-X_{r3})*rand \tag{5} SG=(Xr2Xr3)rand(5)

其中 X i , n e w c u c k o o X_{i,new}^{cuckoo} Xi,newcuckoo​采用轮盘选择,选择鸟巢位置, S G SG SG服从均匀高斯分布, k k k​定义为二进制矩阵,计算如下:
k = r a n d [ 0 , 1 ] > P a (6) k=rand[0,1]>Pa\tag{6} k=rand[0,1]>Pa(6)
其中: P a Pa Pa t / 2 T t/2T t/2T g / 2 G g/2G g/2G给出的递增因子,其中 t 或 g t或g tg为当前迭代次数, T T T G G G为最大迭代次数。利用二进位矩阵 k k k​尽可能地保留相当一部分旧布谷鸟,保持探索搜索空间。在寄生阶段开始时,矩阵 k k k被1填充。然后, k k k​逐渐增加,以保持种群多样性。

1.4 捕食阶段(crow-cat)

一开始,捕食效率高,导致猫、乌鸦数量爆发性增长,数量减少,无法为布谷鸟提供足够的生存资源,导致布谷鸟灭绝。此阶段基于猫的跟踪模式,可以是乌鸦-猫阶段。不需要执行搜索模式,因为猫知道搜索空间是空的,不需要搜索。在这个阶段,布谷鸟雏鸟发现了驱赶猫的令人厌恶的化合物。猫以低臭味分泌物追踪布谷鸟不在的巢,选择未寄生的巢,随机追踪模式。猫是根据自己的速度移动的每一个维度,一旦他们开始追踪猎物。猫的捕食效率高,导致猫的爆发性生长,乌鸦和布谷鸟的生长缓慢。这个阶段包括三个步骤:

步骤a:更新每个维度的速度如下:
v k , d = v k , d + r ∗ c ∗ ( x b e s t , d − x k , d ) (7) v_{k,d}=v_{k,d}+r*c*(x_{best,d}-x_{k,d})\tag{7} vk,d=vk,d+rc(xbest,dxk,d)(7)
式中: v k , d v_{k,d} vk,d​为 c a t k cat_k catk d d d维度上的速度, x b e s t , d x_{best,d} xbest,d为适应度值最好的猫的位置, x k , d x_{k,d} xk,d c a t k cat_k catk的位置, c c c为常数, r r r​为[0,1]范围内的随机数。

步骤b:检查更新速度是否超过最大速度范围。如果新的速度大于最大速度,则将其设置为等于限制(速度限制被修改为从1线性降低到0.25)。

步骤c:更新 c a t k cat_k catk的位置:
x k , d = v k , d + x k , d (8) x_{k,d}=v_{k,d}+x_{k,d} \tag{8} xk,d=vk,d+xk,d(8)
算法流程

步骤1:初始化种群及算法参数

步骤2:评估适应度函数值及确定最优解及最优鸟巢。

步骤3:计算猫群,乌鸦群和鸟巢数量。

步骤4:进入筑巢阶段,按照公式(2)和(3)更新鸟巢位置。

步骤5:进入寄生阶段,按照公式(4)和(6)更新鸟巢位置。

步骤6:进入捕食阶段,按照步骤(a)至(c)即公式(7)和(8)更新鸟巢位置。

步骤7:重新评估适应度函数值,并更新全局最优解。

步骤8:判断是否满足迭代条件,若是满足则输出最优解,否则返回步骤2重新迭代更新计算。

2.实验结果

请添加图片描述

3.参考文献

[1] A.-A. A. Mohamed, S. A. Hassan, A. M. Hemeida et al., Parasitism–Predation algorithm (PPA): A novel approach for feature selection, Ain Shams Engineering Journal.

4.Matlab代码

这篇关于智能优化算法:寄生-捕食算法-附代码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/1071637

相关文章

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

使用Java将DOCX文档解析为Markdown文档的代码实现

《使用Java将DOCX文档解析为Markdown文档的代码实现》在现代文档处理中,Markdown(MD)因其简洁的语法和良好的可读性,逐渐成为开发者、技术写作者和内容创作者的首选格式,然而,许多文... 目录引言1. 工具和库介绍2. 安装依赖库3. 使用Apache POI解析DOCX文档4. 将解析

C++使用printf语句实现进制转换的示例代码

《C++使用printf语句实现进制转换的示例代码》在C语言中,printf函数可以直接实现部分进制转换功能,通过格式说明符(formatspecifier)快速输出不同进制的数值,下面给大家分享C+... 目录一、printf 原生支持的进制转换1. 十进制、八进制、十六进制转换2. 显示进制前缀3. 指

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

使用Python实现全能手机虚拟键盘的示例代码

《使用Python实现全能手机虚拟键盘的示例代码》在数字化办公时代,你是否遇到过这样的场景:会议室投影电脑突然键盘失灵、躺在沙发上想远程控制书房电脑、或者需要给长辈远程协助操作?今天我要分享的Pyth... 目录一、项目概述:不止于键盘的远程控制方案1.1 创新价值1.2 技术栈全景二、需求实现步骤一、需求

Java中Date、LocalDate、LocalDateTime、LocalTime、时间戳之间的相互转换代码

《Java中Date、LocalDate、LocalDateTime、LocalTime、时间戳之间的相互转换代码》:本文主要介绍Java中日期时间转换的多种方法,包括将Date转换为LocalD... 目录一、Date转LocalDateTime二、Date转LocalDate三、LocalDateTim