【智能优化算法】人工原生动物优化器(APO)

2024-04-14 13:44

本文主要是介绍【智能优化算法】人工原生动物优化器(APO),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!

人工原生动物优化器(Artificial Protozoa Optimizer,APO)是发表在中科院一区期刊‘Knowledge-Based Systems’期刊上“Artificial Protozoa Optimizer (APO): A novel bio-inspired metaheuristic algorithm for engineering optimization”这篇文章上的算法。

01.引言

人工原生动物优化器(Artificial Protozoa Optimizer,APO)通过模拟原生动物的觅食、休眠和繁殖行为来模拟原生动物的生存机制。对APO进行数学建模并实现,以执行元启发式算法的优化过程。通过实验仿真验证了APO的性能,并与32种最先进的算法进行了比较。对提出的APO与最先进算法的两两比较采用Wilcoxon符号秩检验,对多重比较采用Friedman检验。首先,使用2022年IEEE进化计算大会基准的12个功能对APO进行了测试。从实用性出发,将该方法应用于具有约束条件的连续空间中求解五种常见的工程设计问题。并将该算法应用于具有约束条件的离散空间中的多级图像分割问题。实验证明,该算法对优化问题具有较强的竞争性。

  1. APO算法的数学模型基于觅食、休眠和繁殖性能。自养觅食和休眠有助于探索,异养觅食和繁殖有助于开发。
  2. APO在2022年IEEE进化计算大会基准的单模态、多模态、混合和组合函数下实现和评估。实验结果表明,该算法优于32种最先进的算法。
  3. APO的有效性通过具有挑战性的现实问题进行了测试,包括五个工程设计和多级图像分割任务。

02.代码流程

03.部分代码

% Artificial Protozoa Optimizer (APO): A novel bio-inspired metaheuristic algorithm for engineering optimization
function [bestProtozoa,bestFit,recordtime] = APO_func(fhd,dim,pop_size,iter_max,Xmin,Xmax,varargin)
% random seedsstm = RandStream('swb2712','Seed',sum(100*clock));RandStream.setGlobalStream(stm);
% global besttargetbest = [300;400;600;800;900;1800;2000;2200;2300;2400;2600;2700];Fidvec = cell2mat(varargin);Fid = Fidvec(1);runid = Fidvec(2);name_convergence_curve = ['APO_Fid_',num2str(Fid),'_',num2str(dim),'D','.dat'];f_out_convergence = fopen(name_convergence_curve,'a');ps = pop_size;  % ps denotes protozoa sizenp = 1;         % np denotes neighbor pairs     np_max can be set in floor((ps-1)/2)pf_max = 0.1;   % pf_max denotes proportion fraction maximum % set points to plot convergence_curveif  runid ==1for i=1:51 % 51 points to plotif i==1iteration=1;fprintf(f_out_convergence,'%s:%s\t','iter_F',num2str(Fid));elseiteration=iter_max/50*(i-1);endfprintf(f_out_convergence,'%d\t',iteration);end       fprintf(f_out_convergence,'\n');end 
%   
tic; 
protozoa=zeros(ps,dim);    % protozoa
newprotozoa=zeros(ps,dim); % new protozoa
epn=zeros(np,dim); % epn denotes effect of paired neighbors
% initilization
for i = 1:psprotozoa(i,:) = Xmin + rand(1,dim).*(Xmax-Xmin);   
end
% evaluate fitness value
protozoa_Fit = feval(fhd,protozoa',varargin{:});
% find the bestProtozoa and bestFit
[bestval,bestid] = min(protozoa_Fit);
bestProtozoa = protozoa(bestid,:);  % bestProtozoa
bestFit = bestval; % bestFitfprintf(f_out_convergence,'%s\t%.15f\t',num2str(runid),bestFit-targetbest(Fid));
%%  Main loop  
for iter=2:iter_max[protozoa_Fit,index] = sort(protozoa_Fit); protozoa= protozoa(index,:); pf = pf_max*rand; % proportion fractionri=randperm(ps,ceil(ps*pf)); % rank index of protozoa in dormancy or reproduction forms   for i=1:psif ismember(i,ri) %  protozoa is in dormancy or reproduction form  pdr=1/2*(1+cos((1-i/ps)*pi)); % probability of dormancy and reproductionif rand<pdr  % dormancy formnewprotozoa(i,:)=  Xmin + rand(1,dim).*(Xmax-Xmin); else  % reproduction formflag=[1,-1];  % +- (plus minus) Flag=flag(ceil(2*rand));  Mr=zeros(1,dim); % Mr is a mapping vector in reproductionMr(1,randperm(dim,ceil(rand*dim)))=1;newprotozoa(i,:)= protozoa(i,:) + Flag*rand*(Xmin+rand(1,dim).*(Xmax-Xmin)).*Mr; endelse  % protozoa is foraging formf= rand*(1+cos(iter/iter_max*pi)); % foraging factorMf=zeros(1,dim);  % Mf is a mapping vector in foragingMf(1,randperm(dim,ceil(dim*i/ps)))=1;pah= 1/2*(1+cos(iter/iter_max*pi)); % probability of autotroph and heterotroph if rand<pah  % protozoa is in autotroph form            j= randperm(ps,1); % j denotes the jth randomly selected protozoafor k=1:np % np denotes neighbor pairs  if i==1km=i; % km denotes the k- (k minus)kp=i+randperm(ps-i,1); % kp denotes the k+ (k plus)elseif i==pskm=randperm(ps-1,1);kp=i;elsekm=randperm(i-1,1);kp=i+randperm(ps-i,1);end% wa denotes weight factor in the autotroph formswa=exp(-abs(protozoa_Fit(1,km)/(protozoa_Fit(1,kp)+eps))); % epn denotes effect of paired neighbors epn(k,:)=wa*(protozoa(km,:)-protozoa(kp,:));             end                         newprotozoa(i,:)= protozoa(i,:)+ f*(protozoa(j,:)-protozoa(i,:)+1/np*sum(epn,1)).*Mf;         else   % protozoa is in heterotroph form   for k=1:np % np denotes neighbor pairs if i==1imk=i;   % imk denotes i-k (i minus k)ipk=i+k; % ipk denotes i+k (i plus k)elseif i==psimk=ps-k;ipk =i;elseimk=i-k;ipk=i+k;end% neighbor limit range in [1,ps]if  imk<1imk=1;elseif ipk>psipk=ps;end% denotes weight factor in the heterotroph formwh=exp(-abs(protozoa_Fit(1,imk)/(protozoa_Fit(1,ipk)+eps)));epn(k,:)=wh*(protozoa(imk,:)-protozoa(ipk,:));end           flag=[1,-1];  % +- (plus minus) Flag=flag(ceil(2*rand));             Xnear=(1+Flag*rand(1,dim)*(1-iter/iter_max)).* protozoa(i,:);newprotozoa(i,:)=protozoa(i,:)+f*(Xnear-protozoa(i,:)+1/np*sum(epn,1)).*Mf;              endendendnewprotozoa = ((newprotozoa>=Xmin)&(newprotozoa<=Xmax)).*newprotozoa...+(newprotozoa<Xmin).*Xmin+(newprotozoa>Xmax).*Xmax;    newprotozoa_Fit= feval(fhd,newprotozoa',varargin{:});bin = (protozoa_Fit > newprotozoa_Fit)';protozoa(bin==1,:) = newprotozoa(bin==1,:);protozoa_Fit(bin==1) = newprotozoa_Fit(bin==1);    [bestFit,bestid] = min(protozoa_Fit);bestProtozoa = protozoa(bestid,:);    if mod(iter,iter_max/50)==0fprintf(f_out_convergence,'%.15f\t',bestFit-targetbest(Fid));end    endrecordtime = toc;fprintf(f_out_convergence,'\n');fclose(f_out_convergence);
end

04.代码效果图

获取代码请关注MATLAB科研小白的个人公众号(即文章下方二维码),并回复:智能优化算法本公众号致力于解决找代码难,写代码怵。各位有什么急需的代码,欢迎后台留言~不定时更新科研技巧类推文,可以一起探讨科研,写作,文献,代码等诸多学术问题,我们一起进步。

这篇关于【智能优化算法】人工原生动物优化器(APO)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/903138

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

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

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.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、