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

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.