【免费分享】2024最新优化算法-花斑翠鸟优化算法PKO

2024-09-01 21:28

本文主要是介绍【免费分享】2024最新优化算法-花斑翠鸟优化算法PKO,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!

斑翠鸟是一种美丽的鸟类,隶属于翠鸟科,主要分布在东南亚地区,如马来西亚、泰国、印度尼西亚等国。斑翠鸟的身体呈蓝色,头部有黑色斑点,翅膀和尾巴同样为蓝色。它们具有长而尖的嘴巴,适合捕食小型水生动物。斑翠鸟偏爱栖息在水边,常见于河流、湖泊和沼泽附近,以鱼类为主要食物,通常通过潜水来捕获猎物。捕食时,斑翠鸟会从栖息地的树枝上俯冲而下,迅速抓住猎物后返回树枝进食。

斑翠鸟优化算法(Pied Kingfisher Optimizer, PKO)是一种由Abdelazim Hussien于2024年提出的新型群体基元启发式算法。该算法受到斑翠鸟独特的狩猎行为和共生关系的启发,围绕三个阶段展开:栖息/悬停猎物(探索/多样化)、潜水寻找猎物(开发/集约化)以及培养共生关系。这些行为被转化为数学模型,用于有效解决不同搜索空间中的多种优化问题。

代码如下

function [Best_fitness,Best_position,Convergence_curve]=PKO(Popsize,Maxiteration,LB,UB,Dim,Fobj)
tic;
BF=8;%beating Factor
Crest_angles=2*pi*rand;
X=Initialization(Popsize,Dim,UB,LB);
Fitness = zeros(1,Popsize);
Convergence_curve=zeros(1,Maxiteration);
for i=1:PopsizeFitness(i)=Fobj(X(i,:));
end
% Calculate the fitness values of initial PKO.
[~,sorted_indexes]=sort(Fitness);
Best_position=X(sorted_indexes(1),:);
Best_fitness = Fitness(sorted_indexes(1));
Convergence_curve(1)=Best_fitness;
t=1;
PEmax=0.5;
PEmin=0;
while t<Maxiteration+1o=exp(-t/Maxiteration)^2;for i=1:Popsizeif rand<.8  %explorationj=i;while i==jseed=randperm(Popsize);j=seed(1);endbeatingRate=rand*(Fitness(j))/(Fitness(i));alpha=2*randn(1,Dim)-1;if rand<.5T=beatingRate-((t)^(1/BF)/(Maxiteration)^(1/BF));X_1(i,:)=X(i,:)+alpha.*T.*(X(j,:)-X(i,:));elseT= (exp(1)-exp(((t-1)/Maxiteration)^(1/BF)))*(cos(Crest_angles));X_1(i,:)=X(i,:)+alpha.*T.*(X(j,:)-X(i,:));endelse %exploitationalpha=2*randn(1,Dim)-1;b=X(i,:)+o^2*randn.*Best_position; HuntingAbility=rand*(Fitness(i))/(Best_fitness);X_1(i,:)=X(i,:)+ HuntingAbility*o*alpha.*(b-Best_position);endendfor i=1:PopsizeFU=X_1(i,:)>UB;FL=X_1(i,:)<LB;X_1(i,:)=(X_1(i,:).*(~(FU+FL)))+UB.*FU+LB.*FL;fitnessn(i) = Fobj(X_1(i,:));if fitnessn(i)<Fitness(i)Fitness(i)=fitnessn(i);X(i,:)=X_1(i,:);endif Fitness(i)<Best_fitnessBest_fitness=Fitness(i);Best_position=X(i,:);endend% Commensal association of the pied kingfisher with foraging Eurasian ottersPE=PEmax-(PEmax-PEmin)*(t/Maxiteration);   %Predatory Efficiencyfor i=1:Popsizealpha=2*randn(1,Dim)-1;if rand>(1-PE)  X_1(i,:)=X(randi([1,Popsize]),:)+o*alpha.*abs(X(i,:)-X(randi([1,Popsize]),:));elseX_1(i,:)=X(i,:);endFU=X_1(i,:)>UB;FL=X_1(i,:)<LB;X_1(i,:)=(X_1(i,:).*(~(FU+FL)))+UB.*FU+LB.*FL;fitnessn(i) = Fobj(X_1(i,:));if fitnessn(i)<Fitness(i)Fitness(i)=fitnessn(i);X(i,:)=X_1(i,:);endif Fitness(i)<Best_fitnessBest_fitness=Fitness(i);Best_position=X(i,:);endendConvergence_curve(t)=Best_fitness;t = t + 1;
end
time = toc;
end

这篇关于【免费分享】2024最新优化算法-花斑翠鸟优化算法PKO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/1128082

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源:安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供,流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材,流动式起重机司机大纲整理而成(含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析),掌握本资料和学校方法,考试容易。流动式起重机司机考试技