【智能算法】人工原生动物优化算法(APO)原理及实现

2024-05-10 01:52

本文主要是介绍【智能算法】人工原生动物优化算法(APO)原理及实现,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!

目录

    • 1.背景
    • 2.算法原理
      • 2.1算法思想
      • 2.2算法过程
    • 3.结果展示
    • 4.参考文献
    • 5.获取代码


1.背景

2024年,X Wang受到自然界原生动物启发,提出了人工原生动物优化算法( Artificial Protozoa Optimizer, APO)。

在这里插入图片描述

在这里插入图片描述

2.算法原理

2.1算法思想

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。

在这里插入图片描述

2.2算法过程

觅食行为

对于觅食行为,作者考虑了原生动物的内部和外部因素。内部因素被认为是原生动物的觅食特征,而外部因素被认为是环境影响,如物种碰撞和竞争行为。
X i n e w = X i + f ⋅ ( X j − X i + 1 n p ⋅ ∑ k = 1 n p w a ⋅ ( X k − − X k + ) ) ⊙ M f X i = [ x i 1 , x i 2 , … , x i d i m ] , X i = s o r t ( X i ) (1) \begin{aligned}&X_{i}^{new}=X_{i}+f\cdot(X_{j}-X_{i}+\frac{1}{np}\cdot\sum_{k=1}^{np}w_{a}\cdot(X_{k-}-X_{k+}))\odot M_{f}\\&X_{i}=[x_{i}^{1},x_{i}^{2},\ldots,x_{i}^{dim}],\quad X_{i}=sort(X_{i})\end{aligned}\tag{1} Xinew=Xi+f(XjXi+np1k=1npwa(XkXk+))MfXi=[xi1,xi2,,xidim],Xi=sort(Xi)(1)
f = r a n d ⋅ ( 1 + cos ⁡ ( i t e r i t e r m a x ⋅ π ) ) n p m a x = ⌊ p s − 1 2 ⌋ w a = e − ∣ f ( X k − ) f ( X k + ) + e p s ∣ M f [ d i ] = { 1 , if d i is in r a n d p e r m ( d i m , ⌈ d i m ⋅ i p s ⌉ ) 0 , otherwise (2) f=rand\cdot(1+\cos(\frac{iter}{iter_{max}}\cdot\pi))\\ np_{max}=\lfloor\frac{ps-1}{2}\rfloor \\ w_{a}=e^{-\left|\frac{f(X_{k-})}{f(X_{k+})+eps}\right|}\\ M_f[di]=\begin{cases}1,&\text{if}di\text{is in}\:randperm(dim,\lceil dim\cdot\frac{i}\\{ps}\rceil)\\0,&\text{otherwise}\end{cases}\tag{2} f=rand(1+cos(itermaxiterπ))npmax=2ps1wa=e f(Xk+)+epsf(Xk) Mf[di]={1,0,ifdiis inrandperm(dim,dimips⌉)otherwise(2)
其中𝑋𝑛𝑒𝑤和𝑋分别表示𝑖th原生动物的更新位置和原始位置。𝑋𝑗是随机选择的𝑗th原生动物。𝑋𝑘−表示在𝑘th配对邻居中随机选择一个排序指数小于0.05的原生动物。𝑓表示觅食因子,𝑛𝑝表示外部因素之间的邻居对个数,𝑛𝑝𝑚𝑎为𝑛𝑝的最大值。𝑤𝑎是自养模式下的权重因子,⊙表示Hadamard积。
异养模式在黑暗中,原生动物可以通过从周围环境中吸收有机物来获取营养。假设𝑋𝑛𝑒𝑎𝑟是附近一个食物丰富的地方,原生动物就会向那里移动。
X i n e w = X i + f ⋅ ( X n e a r − X i + 1 n p ⋅ ∑ k = 1 n p w h ⋅ ( X i − k − X i + k ) ) ⊙ M f X n e a r = ( 1 ± R a n d ⋅ ( 1 − i t e r i t e r m a x ) ) ⊙ X i w h = e − ∣ f ( X i − k ) f ( X i + k ) + e p s ∣ R a n d = [ r a n d 1 , r a n d 2 , … , r a n d d i m ] (3) \begin{aligned} &X_{i}^{new}=X_{i}+f\cdot(X_{near}-X_{i}+\frac{1}{np}\cdot\sum_{k=1}^{np}w_{h}\cdot(X_{i-k}-X_{i+k}))\odot M_{f} \\ &X_{near}=(1\pm Rand\cdot(1-\frac{iter}{iter_{max}}))\odot X_{i} \\ &w_{h}=e^{-\left|\frac{f(X_{i-k})}{f(X_{i+k})+eps}\right|} \\ &Rand=[rand_{1},rand_{2},\ldots,rand_{dim}] \end{aligned}\tag{3} Xinew=Xi+f(XnearXi+np1k=1npwh(XikXi+k))MfXnear=(1±Rand(1itermaxiter))Xiwh=e f(Xi+k)+epsf(Xik) Rand=[rand1,rand2,,randdim](3)
其中𝑋𝑛𝑒𝑎𝑟是附近的位置,“±”表示𝑋𝑛𝑒𝑎𝑟可能与𝑖th原生动物在不同的方向。Xi-k表示从𝑘th配对邻居中选出的i-k原生动物。
在这里插入图片描述

休眠行为

在环境压力下,原生动物可能会采取休眠行为作为一种生存策略来忍受不利的条件。当原生动物处于休眠状态时,它会被新产生的原生动物所取代,以保持恒定的种群数量。
X i n e w = X m i n + R a n d ⊙ ( X m a x − X m i n ) X m i n = [ l b 1 , l b 2 , … , l b d i m ] , X m a x = [ u b 1 , u b 2 , … , u b d i m ] (4) \begin{aligned}&X_{i}^{new}=X_{min}+Rand\odot(X_{max}-X_{min})\\&X_{min}=[lb_{1},lb_{2},\ldots,lb_{dim}],\quad X_{max}=[ub_{1},ub_{2},\ldots,ub_{dim}]\end{aligned}\tag{4} Xinew=Xmin+Rand(XmaxXmin)Xmin=[lb1,lb2,,lbdim],Xmax=[ub1,ub2,,ubdim](4)

繁殖行为

在适当的年龄和健康状况下,原生动物进行无性繁殖,这被称为二元裂变。理论上,这种繁殖会导致原生动物分裂成两个完全相同的子代。我们通过产生一个重复的原生动物并考虑扰动来模拟这种行为。
X i n e w = X i ± r a n d ⋅ ( X m i n + R a n d ⊙ ( X m a x − X m i n ) ) ⊙ M r M r [ d i ] = { 1 , i f d i i s i n r a n d p e r m ( d i m , ⌈ d i m ⋅ r a n d ⌉ ) 0 , o t h e r w i s e (5) \begin{aligned}&X_{i}^{new}=X_{i}\pm rand\cdot(X_{min}+Rand\odot(X_{max}-X_{min}))\odot M_{r}\\&M_{r}[di]=\begin{cases}1,&\mathrm{~if~}di\mathrm{~is~in~}randperm(dim,\lceil dim\cdot rand\rceil)\\0,&\mathrm{~otherwise}\end{cases}\end{aligned}\tag{5} Xinew=Xi±rand(Xmin+Rand(XmaxXmin))MrMr[di]={1,0, if di is in randperm(dim,dimrand⌉) otherwise(5)
APO涉及的参数:
p f = p f m a x ⋅ r a n d p a h = 1 2 ⋅ ( 1 + cos ⁡ ( i t e r i t e r m a x ⋅ π ) ) p d r = 1 2 ⋅ ( 1 + cos ⁡ ( ( 1 − i p s ) ⋅ π ) ) (6) \begin{aligned} &pf=pf_{max}\cdot rand \\ &p_{ah}={\frac{1}{2}}\cdot(1+\cos({\frac{iter}{iter_{max}}}\cdot\pi)) \\ &p_{dr}={\frac{1}{2}}\cdot(1+\cos((1-{\frac{i}{ps}})\cdot\pi)) \end{aligned}\tag{6} pf=pfmaxrandpah=21(1+cos(itermaxiterπ))pdr=21(1+cos((1psi)π))(6)
其中pf为原生动物种群中休眠和繁殖的比例分数,pah表示自养和异养行为的概率,pdr表示休眠和繁殖的概率。

在这里插入图片描述

流程图

在这里插入图片描述

伪代码

在这里插入图片描述

3.结果展示

使用测试框架,测试APO性能 一键run.m

  • 【智能算法】省时方便,智能算法统计指标——一键运行~

CEC2017-F20

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

4.参考文献

[1] Wang X, Snášel V, Mirjalili S, et al. Artificial Protozoa Optimizer (APO): A novel bio-inspired metaheuristic algorithm for engineering optimization[J]. Knowledge-Based Systems, 2024: 111737.

5.获取代码

这篇关于【智能算法】人工原生动物优化算法(APO)原理及实现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!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/975100

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

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,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值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

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