【智能优化算法】蛛蜂优化算法(Spider Wasp Optimizer,SWO)

2024-05-15 05:52

本文主要是介绍【智能优化算法】蛛蜂优化算法(Spider Wasp Optimizer,SWO),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!

蛛蜂优化算法(Spider Wasp Optimizer,SWO)是期刊“ARTIFICIAL INTELLIGENCE REVIEW”(中科院二区 IF=11.6)的2023年智能优化算法

01.引言

蛛蜂优化算法(Spider Wasp Optimizer,SWO)基于对自然界中雌性黄蜂的狩猎、筑巢和交配行为的复制。该算法具有多种独特的更新策略,适用于各种具有不同勘探开发要求的优化问题。

02.优化算法的流程

本文介绍了一种新的优化算法,该算法的灵感来自于某些种类的黄蜂的狩猎和筑巢行为,以及它们的专性幼虫寄生,即在每只蜘蛛的腹部产一个卵。首先,雌性蜘蛛黄蜂在周围环境中寻找合适的蜘蛛,将它们麻痹并拖到预先准备好的合适的巢穴中;这种行为代表了我们提出的算法的第一个灵感:SWO。在找到合适的猎物和巢穴并把它们拖进这些巢穴后,它们会在树上产卵蜘蛛腹部,合上巢。该算法在搜索空间内随机分布一定数量的雌蜂。然后,每只蜘蛛将在不断运动的搜索空间中寻找适合其后代性别的蜘蛛,这是由所有膜翅目昆虫中发现的单倍体性别决定系统根据它们的狩猎行为(即狩猎和跟随行为)决定的。在找到合适的蜘蛛后,雌性蜘蛛黄蜂会在它们的网中心搜寻它们,并在地上搜寻六次,寻找从网上掉下来的蜘蛛(Rayor 1996)。之后,雌黄蜂会攻击猎物,并试图麻痹它,把它拖到预先准备好的巢穴。

然后,她在蜘蛛的腹部下一个蛋后关闭巢穴。简而言之,本工作模拟的黄蜂行为如下:•搜索行为:该行为在优化开始时寻找猎物,寻找适合幼虫生长的蜘蛛。

•跟随和逃跑行为:在发现猎物/蜘蛛后,它们可能会试图逃离中心的球体。因此,雌黄蜂跟着它们,麻痹并拖拽最合适的一个。

•筑巢行为:这将模拟将猎物拖到适合猎物和蛋大小的巢穴的方式。

•交配行为:这种行为模拟了通过在雄性和雌性黄蜂之间使用统一的交叉操作来孵化卵所产生的后代的特性,该操作具有特定的概率,称为交叉率(CR)。

03.论文中算法对比图

04.部分代码

function [Best_score,Best_SW,Convergence_curve]=SWO(SearchAgents_no,Tmax,lb,ub,dim,feval)
%%%%-------------------Definitions--------------------------%%
%%
Best_SW=zeros(1,dim); % A vector to include the best-so-far spider wasp(Solution) 
Best_score=inf; % A Scalar variable to include the best-so-far score
Convergence_curve=zeros(1,Tmax);
ub = ub*ones(1,dim);
lb = lb*ones(1,dim);
%%-------------------Controlling parameters--------------------------%%
%%
TR=0.3; %% Representing the trade-off probability between hunting and mating behaviours.
Cr=0.2; %% The Crossover probability
N_min=20; %% Representing the minimum population size.
%%---------------Initialization----------------------%%
%%
Positions=initialization(SearchAgents_no,dim,ub,lb); % Initialize the positions of spider wasps
t=0; %% Function evaluation counter 
%%---------------------Evaluation-----------------------%%
for i=1:SearchAgents_no%% Test suites of CEC-2014, CEC-2017, CEC-2020, and CEC-2022SW_Fit(i)=feval(Positions(i,:)');% Update the best-so-far solutionif SW_Fit(i)<Best_score % Change this to > for maximization problemBest_score=SW_Fit(i); % Update the best-so-far scoreBest_SW=Positions(i,:); % Update te best-so-far solutionend
end
% Main loop
while t<Tmax%%a=2-2*(t/Tmax); % a decreases linearly from 2 to 0a2=-1+-1*(t/Tmax); % a2 linearly dicreases from -1 to -2 to calculate l in Eq. (8)k=(1-t/Tmax); %% k decreases linearly from 1 to 0 (Eq. (13))JK=randperm(SearchAgents_no); %% A randomly-generated permutation of the search agent's indices if rand<TR %% 3.2	Hunting and nesting behavior% Update the Position of search agentsfor i=1:SearchAgents_nor1=rand(); % r1 is a random number in [0,1]r2=rand(); % r2 is a random number in [0,1]r3=rand(); % r3 is a random number in [0,1]p = rand();  % p is a random number in [0,1]C=a*(2*r1-1);  % Eq. (11) in the paperl=(a2-1)*rand+1;   % The parameter in Eqs. (7) and (8)L=Levy(1); %% L is a Levy-based number vc = unifrnd(-k,k,1,dim); %% The vector in Eq. (12)rn1=randn; %% rn1 is a normal distribution-based number %%O_P=Positions(i,:); %% Storing the current position of the ith solution%%for j=1:size(Positions,2)if i<k*SearchAgents_noif p<(1-t/Tmax) %% 3.2.1	Searching stage (Exploration)if r1<r2m1=abs(rn1)*r1; %% Eq. (5)Positions(i,j)=Positions(i,j)+m1*(Positions(JK(1),j)-Positions(JK(2),j)); %% Eq. (4)elseB=1/(1+exp(l)); %% Eq. (8)m2=B*cos(l*2*pi); %% Eq. (7) Positions(i,j)=Positions(JK(i),j)+m2*(lb(j)+rand*(ub(j)-lb(j))); %% Eq. (6)end %% End Ifelse %% 3.2.2	Following and escaping stage (exploration and exploitation)if r1<r2Positions(i,j)=Positions(i,j)+C*abs(2*rand*Positions(JK(3),j)-Positions(i,j)); %% Eq. (10)elsePositions(i,j)=Positions((i),j).*vc(j); %% Eq. (12)end %% End Ifendelseif r1<r2Positions(i,j)=Best_SW(j)+cos(2*l*pi)*(Best_SW(j)-Positions(i,j));      % Eq. (16)elsePositions(i,j)=Positions(JK(1),j)+r3*abs(L)*(Positions(JK(1),j)-Positions(i,j))+(1-r3)*(rand>rand)*(Positions(JK(3),j)-Positions(JK(2),j));      % Eq. (17)end %% End ifend %% End ifend %% End Inner If%% Return the search agents that exceed the search space's boundsfor j=1:size(Positions,2)if  Positions(i,j)>ub(j)Positions(i,j)=lb(j)+rand*(ub(j)-lb(j));elseif  Positions(i,j)<lb(j)Positions(i,j)=lb(j)+rand*(ub(j)-lb(j));endend   SW_Fit1=feval(Positions(i,:)'); %% The fitness value of the newly generated spider% Memory Saving and Updating the best-so-far solutionif SW_Fit1<SW_Fit(i) % Change this to > for maximization problemSW_Fit(i)=SW_Fit1; % Update the local best fitness% Update the best-so-far solutionif SW_Fit(i)<Best_score % Change this to > for maximization problemBest_score=SW_Fit(i); % Update best-so-far fitnessBest_SW=Positions(i,:); % Update best-so-far positionendelsePositions(i,:)=O_P; %% Return the last best solution obtained by the ith solutionendt=t+1;if t>Tmaxbreak;endConvergence_curve(t)=Best_score;end %% Enter Outer For%% Mating behaviorelse     % Update the Position of search agentsfor i=1:SearchAgents_nol=(a2-1)*rand+1;    %% The parameter in Eqs. (7) and (8)SW_m=zeros(1,dim);  %% including the spider wasp maleO_P=Positions(i,:); %% Storing the current position of the ith solution%% The Step sizes used to generate the male spider with a high quality    if SW_Fit(JK(1))<SW_Fit(i)  %Eq. (23)v1=Positions(JK(1),:)-Positions(i,:);  elsev1=Positions(i,:)-Positions(JK(1),:);endif SW_Fit(JK(2))<SW_Fit(JK(3)) %Eq. (24)v2=Positions(JK(2),:)-Positions(JK(3),:);elsev2=Positions(JK(3),:)-Positions(JK(2),:);end%%rn1=randn; %% rn1 is a normal distribution-based number rn2=randn; %% rn1 is a normal distribution-based number for j=1:size(Positions,2)SW_m(j)= Positions(i,j)+(exp(l))*abs(rn1)*v1(j)+(1-exp(l))*abs(rn2)*v2(j);      % Eq. (22)if(rand<Cr) %% Eq. (21)Positions(i,j)=SW_m(j);endend%% Return the search agents that exceed the search space's boundsfor j=1:size(Positions,2)if  Positions(i,j)>ub(j)Positions(i,j)=lb(j)+rand*(ub(j)-lb(j));elseif  Positions(i,j)<lb(j)Positions(i,j)=lb(j)+rand*(ub(j)-lb(j));endend   SW_Fit1=feval( Positions(i,:)');%% The fitness value of the newly generated spider% Memory Saving and Updating the best-so-far solutionif SW_Fit1<SW_Fit(i) % Change this to > for maximization problemSW_Fit(i)=SW_Fit1; % Update the local best fitness% Update the best-so-far solutionif SW_Fit(i)<Best_score % Change this to > for maximization problemBest_score=SW_Fit(i); % Update best-so-far fitnessBest_SW=Positions(i,:); % Update best-so-far positionendelsePositions(i,:)=O_P; %% Return the last best solution obtained by the ith solutionendt=t+1;if t>Tmaxbreak;endConvergence_curve(t)=Best_score;end %% End Forend %% End If%% Population reduction %%SearchAgents_no=fix(N_min+(SearchAgents_no-N_min)*((Tmax-t)/Tmax)); %% Eq. (25)
end %% End While
Convergence_curve(t-1)=Best_score;
end
% Draw n Levy flight sample
function L=Levy(d)
beta=3/2;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
u=randn(1,d)*sigma;
v=randn(1,d);
step=u./abs(v).^(1/beta);
L=0.05*step;
end

05.本代码效果图

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】蛛蜂优化算法(Spider Wasp Optimizer,SWO)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/990983

相关文章

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、

使用国内镜像源优化pip install下载的方法步骤

《使用国内镜像源优化pipinstall下载的方法步骤》在Python开发中,pip是一个不可或缺的工具,用于安装和管理Python包,然而,由于默认的PyPI服务器位于国外,国内用户在安装依赖时可... 目录引言1. 为什么需要国内镜像源?2. 常用的国内镜像源3. 临时使用国内镜像源4. 永久配置国内镜

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

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.