智能优化算法:共生生物搜索算法 - 附代码

2024-06-18 07:33

本文主要是介绍智能优化算法:共生生物搜索算法 - 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:共生生物搜索算法

文章目录

  • 智能优化算法:共生生物搜索算法
    • 1.SOS算法原理
      • 1.1 互利阶段
      • 1.2 共栖阶段
      • 1.3 寄生阶段
    • 2.实验结果
    • 3.参考文献
    • 4.Matlab代码
    • 5.python代码

摘要:共生生物搜索算法(Symbiotic Organisms Search, SOS)于2014年,提出的一种基于生物学中共生现象的启发式搜索算法。该算法具有控制参数少、操作简单、容易实现、稳定性好且优化能力强的特点。

1.SOS算法原理

SOS 模拟了自然界中的个体间交互行为 。共生指两种或多种不同生物物种之间的长期相互作用,可以是两个个体完全依赖,也可以是个体有选择地生活在一起使彼此都能获益,或是某个体寄生于另一个体中。SOS 算法主要分为互利阶段、共栖阶段和寄生阶段,其基本原理为:

1.1 互利阶段

个体 X i X_i Xi被认为是生态系统的第 i i i 个成员。另一个体 X j X_j Xj从生态系统中随机选择以用来和 X i X_i Xi交互。在生态系统中,两个个体都保持着交互关系。 X i X_i Xi X j X_j Xj在交互后的更新公式分别由(1)和(2)表示,其中互利向量 R M V R_{MV} RMV的表达式如式(3)所示:
X i n e w = X i + r a n d ( 0 , 1 ) ∗ ( X b e s t − R M V ∗ b f 1 ) (1) X_i^{new}=X_i +rand(0,1)*(X_{best}-R_{MV}*bf_1)\tag{1} Xinew=Xi+rand(0,1)(XbestRMVbf1)(1)

X j n e w = X j + r a n d ( 0 , 1 ) ∗ ( X b e s t − R M V ∗ b f 2 ) (2) X_j^{new}=X_j +rand(0,1)*(X_{best}-R_{MV}*bf_2)\tag{2} Xjnew=Xj+rand(0,1)(XbestRMVbf2)(2)

R M V = ( X i + X j ) / 2 (3) R_{MV}=(X_i+X_j)/2\tag{3} RMV=(Xi+Xj)/2(3)

式中, R M V R_{MV} RMV代表了 X i X_i Xi X j X_j Xj的交互关系; r a n d ( 0 , 1 ) rand(0,1) rand(0,1)是[0,1]间的随机数; X b e s t X_{best} Xbest为最优个体; b f 1 bf_1 bf1 b f 2 bf_2 bf2为利益因子,代表着个体从相互关系中获得的利益水平。 b f 1 bf_1 bf1 b f 2 bf_2 bf2的值可以随机选择为 1 或 2,表示可能得到部分受益或完全受益。

1.2 共栖阶段

指从生态系统中随机选择一个单独的 X j X_j Xj X i X_i Xi交互,这种交互使得 X i X_i Xi受益,而 X j X_j Xj既不受益也不受到伤害。由这种相互作用产生的新个体则用式(4)所描述:
X i n e w = X i + r a n d ( − 1 , 1 ) ∗ ( X b e s t − X j ) (4) X_i^{new}=X_i+rand(-1,1)*(X_{best}-X_j)\tag{4} Xinew=Xi+rand(1,1)(XbestXj)(4)
其中, X b e s t − X j X_{best}-X_j XbestXj表示 X j X_j Xj X i X_i Xi提供的好处,即 X j X_j Xj帮助 X i X_i Xi提高对生态系统的适应程度。

1.3 寄生阶段

从生态系统中选取 X i X_i Xi作为寄生向量,利用随机向量对自身进行复制和修改,生成变异载体 R P V R_{PV} RPV。如果变异载体比宿主 X i X_i Xi具有更好的适应值,它可能会破坏宿主并将其替代,若相反则说明宿主对变异载体具有免疫性从而被保留下来,变异载体被淘汰,具体如式(5)和(6)所示:
R P V = X i (5) R_{PV}=X_i \tag{5} RPV=Xi(5)

R P V ( p i c k ) = r a n d ( 1 , l e n g t h ( p i c k ) ) ∗ ( u b ( p i c k ) − l b ( p i c k ) ) + l b ( p i c k ) (6) R_{PV}(pick) = rand(1,length(pick))*(ub(pick)-lb(pick))+lb(pick)\tag{6} RPV(pick)=rand(1,length(pick))(ub(pick)lb(pick))+lb(pick)(6)

其中: pick 为变异体, ub 为搜索上界, lb 为搜索下界

算法步骤

step1.设置参数,初始化种群

step2.计算适应度值,更新最优位置

step3.种群整体进行互利阶段更新

step4.种群整体进行共栖阶段更新

step5.种群整体进行寄生操作

step6.计算适应度值

step7.判断是否满足停止条件,如果满足则输出最优值,否则重复执行step2-7。

2.实验结果

在这里插入图片描述

3.参考文献

[1]贾鹤鸣,李瑶,姜子超,孙康健.基于改进共生生物搜索算法的林火图像多阈值分割[J/OL].计算机应用:1-9[2021-01-25].http://kns.cnki.net/kcms/detail/51.1307.TP.20201209.1623.022.html.

[1] CHENG M Y, PRAYOGO D. Symbiotic Organisms Search: A new metaheuristic optimization algorithm [J]. Computers & Structures, 2014, 139: 98-112.

4.Matlab代码

算法相关应用

名称说明或者参考文献
基于共生生物算法的无线传感器网(WSN)覆盖优化https://blog.csdn.net/u011835903/article/details/109262039(原理一样,只是优化算法用共生生物算法)
基于共生生物算法的3D无线传感器网(WSN)覆盖优化https://blog.csdn.net/u011835903/article/details/113834323(原理一样,只是优化算法用共生生物算法)

5.python代码

个人资料介绍

这篇关于智能优化算法:共生生物搜索算法 - 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/1071663

相关文章

C#使用HttpClient进行Post请求出现超时问题的解决及优化

《C#使用HttpClient进行Post请求出现超时问题的解决及优化》最近我的控制台程序发现有时候总是出现请求超时等问题,通常好几分钟最多只有3-4个请求,在使用apipost发现并发10个5分钟也... 目录优化结论单例HttpClient连接池耗尽和并发并发异步最终优化后优化结论我直接上优化结论吧,

Java内存泄漏问题的排查、优化与最佳实践

《Java内存泄漏问题的排查、优化与最佳实践》在Java开发中,内存泄漏是一个常见且令人头疼的问题,内存泄漏指的是程序在运行过程中,已经不再使用的对象没有被及时释放,从而导致内存占用不断增加,最终... 目录引言1. 什么是内存泄漏?常见的内存泄漏情况2. 如何排查 Java 中的内存泄漏?2.1 使用 J

python实现pdf转word和excel的示例代码

《python实现pdf转word和excel的示例代码》本文主要介绍了python实现pdf转word和excel的示例代码,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... 目录一、引言二、python编程1,PDF转Word2,PDF转Excel三、前端页面效果展示总结一

在MyBatis的XML映射文件中<trim>元素所有场景下的完整使用示例代码

《在MyBatis的XML映射文件中<trim>元素所有场景下的完整使用示例代码》在MyBatis的XML映射文件中,trim元素用于动态添加SQL语句的一部分,处理前缀、后缀及多余的逗号或连接符,示... 在MyBATis的XML映射文件中,<trim>元素用于动态地添加SQL语句的一部分,例如SET或W

使用C#代码计算数学表达式实例

《使用C#代码计算数学表达式实例》这段文字主要讲述了如何使用C#语言来计算数学表达式,该程序通过使用Dictionary保存变量,定义了运算符优先级,并实现了EvaluateExpression方法来... 目录C#代码计算数学表达式该方法很长,因此我将分段描述下面的代码片段显示了下一步以下代码显示该方法如

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

MySQL不使用子查询的原因及优化案例

《MySQL不使用子查询的原因及优化案例》对于mysql,不推荐使用子查询,效率太差,执行子查询时,MYSQL需要创建临时表,查询完毕后再删除这些临时表,所以,子查询的速度会受到一定的影响,本文给大家... 目录不推荐使用子查询和JOIN的原因解决方案优化案例案例1:查询所有有库存的商品信息案例2:使用EX

python多进程实现数据共享的示例代码

《python多进程实现数据共享的示例代码》本文介绍了Python中多进程实现数据共享的方法,包括使用multiprocessing模块和manager模块这两种方法,具有一定的参考价值,感兴趣的可以... 目录背景进程、进程创建进程间通信 进程间共享数据共享list实践背景 安卓ui自动化框架,使用的是

SpringBoot生成和操作PDF的代码详解

《SpringBoot生成和操作PDF的代码详解》本文主要介绍了在SpringBoot项目下,通过代码和操作步骤,详细的介绍了如何操作PDF,希望可以帮助到准备通过JAVA操作PDF的你,项目框架用的... 目录本文简介PDF文件简介代码实现PDF操作基于PDF模板生成,并下载完全基于代码生成,并保存合并P

MySQL中my.ini文件的基础配置和优化配置方式

《MySQL中my.ini文件的基础配置和优化配置方式》文章讨论了数据库异步同步的优化思路,包括三个主要方面:幂等性、时序和延迟,作者还分享了MySQL配置文件的优化经验,并鼓励读者提供支持... 目录mysql my.ini文件的配置和优化配置优化思路MySQL配置文件优化总结MySQL my.ini文件