1)北方苍鹰优化算法是一种基于鹰群行为的启发式优化算法,其灵感来源于鹰群的捕食行为。该算法通过模拟鹰群在搜索食物时的行为,来寻找问题的最优解。
原理:
1. 初始化鹰群种群,包括位置和速度等信息。
2. 根据问题的特点,设计适应度函数来评估每个鹰个体的适应度。
3. 迭代更新每个鹰个体的位置和速度,以模拟鹰群的搜索行为。
4. 根据适应度函数,评估更新后的鹰个体的适应度,选择适应度较高的鹰作为新的种群。
5. 重复步骤3和4,直到满足停止条件。
流程:
1. 初始化参数,包括鹰个体数量、迭代次数、适应度函数等。
2. 随机生成初始鹰群种群。
3. 计算每个鹰个体的适应度。
4. 更新鹰个体的位置和速度。
5. 计算更新后的鹰个体的适应度。
6. 选择适应度较高的鹰作为新的种群。
7. 判断是否满足停止条件,如果满足则结束,否则返回步骤4。
优点:
1. 鹰群的搜索行为模拟了自然界中的优化过程,具有较强的全局搜索能力。
2. 算法简单易实现,不需要过多的参数调节。
3. 对于复杂、非线性问题具有较好的优化效果。
缺点:
1. 需要进行大量的迭代计算,计算时间较长。
2. 算法对初始参数的敏感性较高,初始参数选择不合适可能导致算法陷入局部最优解。
2)改进北方苍鹰优化算法SCNGO
1.采用折射反向学习策略初始化北方苍鹰算法个体,基本思想是通过计算当前解的反向解来扩大搜索范围,借此找出给定问题更好的备选解;
2.采用正余弦策略替换原始苍鹰算法的勘察阶段的位置更新公式;
3.对正余弦策略的步长搜索因子进行改进;原始步长搜索因子呈线性递减趋势,不利于进一步平衡北方苍鹰算法的全局搜索和局部开发能力。
3)SNGO/NGO/SSA/WOA/GWO基于基函数对比试验部分结果展示