小龙虾优化算法(Crayfish Optimization Algorithm,COA)

2024-04-28 15:36

本文主要是介绍小龙虾优化算法(Crayfish Optimization Algorithm,COA),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!

小龙虾优化算法(Crayfish Optimization Algorithm,COA)

  • 前言
  • 一、小龙虾优化算法的实现
    • 1.初始化阶段
    • 2.定义温度和小龙虾的觅食量
    • 3.避暑阶段(探索阶段)
    • 4.竞争阶段(开发阶段)
    • 5.觅食阶段(开发阶段)
  • 二、小龙虾优化算法的流程
  • 三、小龙虾优化算法的在CEC2020测试结果。
    • 3.1 CEC2020部分测试函数描述
    • 3.2 CEC2020部分测试函数三维图像显示
    • 3.3 COA在CEC2020的测试效果
  • 四、matlab代码
  • 五、参考文献


前言

小龙虾优化算法(Crayfish Optimization Algorithm,COA)是2023年9月提出的一种元启发式优化算法。COA的灵感来源于小龙虾的避暑、竞争和觅食行为。这三种行为对应算法的避暑阶段、竞争阶段和觅食阶段。其中,竞争阶段和觅食阶段为小龙虾优化算法的开发阶段,避暑阶段是小龙虾优化算法的探索阶段。COA具有较好的收敛效果,在CEC2020有着较好的优化效果。


提示:本文使用的是迭代次数的代码,没有换成评价次数。
如有疑问可联系尭食

一、小龙虾优化算法的实现

小龙虾优化算法的探索和开发受温度调节,温度是一个随机数。当温度过高时,小龙虾会选择洞穴进行避暑。如果没有其他的小龙虾竞争洞穴,小龙虾会直接进入洞穴,这是小龙虾优化算法的避暑阶段。如果有其他的小龙虾竞争洞穴,则小龙虾会相互竞争,这时小龙虾优化算法的竞争阶段。当温度适宜时,小龙虾优化算法进入觅食阶段。在觅食阶段,小龙虾会根据食物的大小选择直接吃食物或者先撕碎食物再吃食物。其中,小龙虾的进食与觅食量有关。通过温度平衡算法的探索和开发能力,使小龙虾优化算法具有更好的优化效果,能够更快的寻找到一个优异的适应度值。下面是小龙虾优化算法的具体介绍。

1.初始化阶段

在多维优化问题中,每只小龙虾表示一个1× d i m dim dim的矩阵,每列矩阵为一个问题的解决方案。COA的初始化是在上下界之间随机生成 N N N组候选解 X X X N N N是种群大小、 d i m dim dim是种群维数。COA初始化如下:
X = [ X 1 , X 2 , ⋯ , X N ] (1) X = [{X_1},{X_2}, \cdots ,{X_N}]\tag{1} X=[X1,X2,,XN](1) X i , j = l b j + ( u b j − l b j ) × r a n d (2) {X_{i,j}} = l{b_j} + (u{b_j} - l{b_j}) \times rand \tag{2} Xi,j=lbj+(ubjlbj)×rand(2)
其中 l b j lb_j lbj表示第j维的下界, u b j ub_j ubj表示第j维的上界, r a n d rand rand是[0,1]的随机数。

2.定义温度和小龙虾的觅食量

温度的改变会影响小龙虾的行为,使小龙虾进行不同的阶段温度的定义如等式3所示。当温度超过30℃时,小龙虾会选择一个凉爽的地方避暑。在适当的温度下,小龙虾就会进行觅食行为。小龙虾的取食量受温度的影响。小龙虾的取食范围在15~30℃之间,25℃为最好。因此,小龙虾的摄食量可以近似于正态分布,从而使摄食量受到温度的影响。小龙虾摄食量的数学模型和不同温度对应的摄食量如下图所示。
t e m p = r a n d × 15 + 20 (3) temp = rand \times 15 + 20\tag{3} temp=rand×15+20(3)
其中, t e m p temp temp表示小龙虾所在环境的温度。
p = C 1 × ( 1 2 × π × σ ) × exp ⁡ ( − ( t e m p − μ ) 2 2 σ 2 ) (4) p = {C_1} \times ({1 \over {\sqrt {2 \times \pi } \times \sigma )}} \times \exp ( - {{{{(temp - \mu )}^2}} \over {2{\sigma ^2}}})\tag{4} p=C1×(2×π ×σ)1×exp(2σ2(tempμ)2)(4)
其中, µ µ µ是指最适合小龙虾的温度,分别用 σ σ σ C 1 C_1 C1来控制不同温度下小龙虾的摄入量.
Alt

3.避暑阶段(探索阶段)

当温度大于30度,表示温度过高。此时,小龙虾会进入洞穴避暑。洞穴的定义如下所示:
X s h a d e = ( X G + X L ) / 2 (5) {X_{shade}} = ({X_G} + {X_L})/2\tag{5} Xshade=(XG+XL)/2(5)
其中 X G X_G XG表示通过迭代次数所得到的最优位置,XL表示上一代种群更新后获得的最优位置。
小龙虾争夺洞穴是一个随机事件。在COA中,当 r a n d rand rand<0.5,这意味着没有其他的小龙虾争夺洞穴,则小龙虾直接进入洞穴避暑,如下图所示。小龙虾进入洞穴避暑如公式所示:
X i , j t + 1 = X i , j t + C 2 × r a n d × ( X s h a d e − X i , j t ) (6) X_{i,j}^{t + 1} = X_{i,j}^t + {C_2} \times rand \times ({X_{shade}} - X_{i,j}^t)\tag{6} Xi,jt+1=Xi,jt+C2×rand×(XshadeXi,jt)(6)
其中 t t t表示当前迭代次数, t + 1 t+1 t+1表示下一代迭代次数, C 2 C_2 C2为递减曲线。
C 2 = 2 − ( t / T ) (7) {C_2} = 2 - (t/T)\tag{7} C2=2(t/T)(7)
其中, T T T表示最大迭代次数。
在这里插入图片描述

4.竞争阶段(开发阶段)

当温度大于30度, r a n d rand rand≥0.5。这意味着其他的小龙虾也选择了这个洞穴。这时,它们会竞争这个洞穴,如下图所示。它们通过以下公式争夺洞穴。
X i , j t + 1 = X i , j t − X z , j t + X s h a d e (8) X_{i,j}^{t + 1} = X_{i,j}^t - X_{z,j}^t + {X_{shade}}\tag{8} Xi,jt+1=Xi,jtXz,jt+Xshade(8) z = r o u n d ( r a n d × ( N − 1 ) ) + 1 (9) z = round(rand \times (N - 1)) + 1\tag{9} z=round(rand×(N1))+1(9)
其中, z z z表示小龙虾的随机个体。
在这里插入图片描述

5.觅食阶段(开发阶段)

当温度小于等于30时,该温度适合小龙虾进食。这时,小龙虾会去寻找食物觅食。在进食的时候,小龙虾会根据食物的大小选择是否撕碎食物。如果食物大小合适,小龙虾会使用直接摄取食物。如果食物太大,小龙虾会使用鳌足撕碎食物再使用第二第三步行足交替夹取食物摄取。食物的定义为:
X f o o d = X G (10) {X_{food}} = {X_G}\tag{10} Xfood=XG(10)
食物大小的定义为:
Q = C 3 × r a n d × ( f i t n e s s i / f i t n e s s f o o d ) (11) Q = {C_3} \times rand \times (fitnes{s_i}/fitnes{s_{food}})\tag{11} Q=C3×rand×(fitnessi/fitnessfood)(11)
其中 C 3 C_3 C3为食物因子,代表最大的食物,值为常数3。 f i t n e s s i fitness_i fitnessi代表第i只小龙虾的适应度值, f i t n e s s f o o d fitness_{food} fitnessfood代表食物所在位置的适应度值。
Q > ( C 3 + 1 ) / 2 Q>(C3+1)/2 Q>(C3+1)/2,表示食物太大。这时,小龙虾会通过下面公式撕碎食物。
X f o o d = exp ⁡ ( − 1 Q ) × X f o o d (12) {X_{food}} = \exp ( - {1 \over Q}) \times {X_{food}}\tag{12} Xfood=exp(Q1)×Xfood(12)
撕碎食物后,小龙虾会使用第二第三步行足交替夹取食物摄取。为了模拟交替摄食行为,在等式中采用正弦函数和余弦函数的组合来模拟交替过程,如图所示。不仅如此,小龙虾获得的食物也与食物摄入量有关。摄食的等式如下所示:
X i , j t + 1 = X i , j t + X f o o d × p × ( cos ⁡ ( 2 × π × r a n d ) − sin ⁡ ( 2 × π × r a n d ) ) (13) X_{i,j}^{t + 1} = X_{_{i,j}}^t + {X_{food}} \times p \times (\cos (2 \times \pi \times rand) - \sin (2 \times \pi \times rand))\tag{13} Xi,jt+1=Xi,jt+Xfood×p×(cos(2×π×rand)sin(2×π×rand))(13)
Q ≤ ( C 3 + 1 ) / 2 Q≤(C3+1)/2 Q(C3+1)/2,小龙虾会直接向食物移动并进食。等式如下:
X i , j t + 1 = ( X i , j t − X f o o d ) × p + p × r a n d × X i , j t (14) X_{i,j}^{t + 1} = (X_{i,j}^t - {X_{food}}) \times p + p \times rand \times X_{i,j}^t\tag{14} Xi,jt+1=(Xi,jtXfood)×p+p×rand×Xi,jt(14)

二、小龙虾优化算法的流程

步骤1.初始化种群,计算种群的适应度值并获得 X G X_G XG X L X_L XL
步骤2.根据等式3定义小龙虾的生存环境.
步骤3.当温度大于30度且 r a n d rand rand<0.5,COA根据等式6获得新的位置并进入步骤8。
步骤4.当温度大于30度且 r a n d rand rand≥0.5,COA根据等式8获得新的位置并进入步骤8。
步骤5.当温度小于等于30时,COA进入觅食阶段,根据等式4和等式11定义摄食量 p p p和食物大小 Q Q Q
步骤6.如果Q>( C 3 C_3 C3+1)/2,根据等式12撕碎食物。之后通过等式13摄食获得新位置并进入步骤8。。
步骤7.如果Q≤( C 3 C_3 C3+1)/2,通过等式14摄食获得新位置并进入步骤8。。
步骤8.评估种群是否退出循环。如果没有返回步骤2。
步骤9.输出最佳位置的个体。

在这里插入图片描述

三、小龙虾优化算法的在CEC2020测试结果。

3.1 CEC2020部分测试函数描述

名称公式维度变量范围理论最优
F1 F 1 ( x ) = f 1 ( M ( x − o 1 ) ) + F 1 ∗ {F_1}(x) = {f_1}(M(x - {o_1})) + {F_1}* F1(x)=f1(M(xo1))+F130[-100,100]100
F2 F 2 ( x ) = f 11 ( M ( 1000 ( x − o 11 ) 100 ) ) + F 2 ∗ {F_2}(x) = {f_{11}}({\rm{M}}({{1000(x - {o_{11}})} \over {100}})) + {F_2} * F2(x)=f11(M(1001000(xo11)))+F230[-100,100]100
F3 F 3 ( x ) = f 10 ( M ( 600 ( x − o 7 ) 100 ) ) + F 3 ∗ {F_3}(x) = {f_{10}}(M({{600(x - {o_7})} \over {100}})) + {F_3}* F3(x)=f10(M(100600(xo7)))+F330[-100,100]100

3.2 CEC2020部分测试函数三维图像显示

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.3 COA在CEC2020的测试效果

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

四、matlab代码

COA的代码已公布,可自行下载,也欢迎大家进行修改Crayfish Optimization Algorithm

五、参考文献

[1] 贾鹤鸣, 智能优化算法及 MATLAB 实现[M], 清华大学出版社, 2024.
[2] Jia, Heming, Honghua Rao, Changsheng Wen, and Seyedali Mirjalili. Crayfish optimization algorithm[J]. Artificial Intelligence Review. 56(Suppl 2), pp.1919-1979.

这篇关于小龙虾优化算法(Crayfish Optimization Algorithm,COA)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/943614

相关文章

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

Java嵌套for循环优化方案分享

《Java嵌套for循环优化方案分享》介绍了Java中嵌套for循环的优化方法,包括减少循环次数、合并循环、使用更高效的数据结构、并行处理、预处理和缓存、算法优化、尽量减少对象创建以及本地变量优化,通... 目录Java 嵌套 for 循环优化方案1. 减少循环次数2. 合并循环3. 使用更高效的数据结构4

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Deepseek使用指南与提问优化策略方式

《Deepseek使用指南与提问优化策略方式》本文介绍了DeepSeek语义搜索引擎的核心功能、集成方法及优化提问策略,通过自然语言处理和机器学习提供精准搜索结果,适用于智能客服、知识库检索等领域... 目录序言1. DeepSeek 概述2. DeepSeek 的集成与使用2.1 DeepSeek API

Tomcat高效部署与性能优化方式

《Tomcat高效部署与性能优化方式》本文介绍了如何高效部署Tomcat并进行性能优化,以确保Web应用的稳定运行和高效响应,高效部署包括环境准备、安装Tomcat、配置Tomcat、部署应用和启动T... 目录Tomcat高效部署与性能优化一、引言二、Tomcat高效部署三、Tomcat性能优化总结Tom

解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)

《解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)》该文章介绍了使用Redis的阻塞队列和Stream流的消息队列来优化秒杀系统的方案,通过将秒杀流程拆分为两条流水线,使用Redi... 目录Redis秒杀优化方案(阻塞队列+Stream流的消息队列)什么是消息队列?消费者组的工作方式每

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

《Oracle查询优化之高效实现仅查询前10条记录的方法与实践》:本文主要介绍Oracle查询优化之高效实现仅查询前10条记录的相关资料,包括使用ROWNUM、ROW_NUMBER()函数、FET... 目录1. 使用 ROWNUM 查询2. 使用 ROW_NUMBER() 函数3. 使用 FETCH FI

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