【智能算法】帝企鹅优化算法（EPO）原理及实现

最新推荐文章于 2024-09-27 14:28:55 发布

小O的算法实验室

最新推荐文章于 2024-09-27 14:28:55 发布

阅读量990

点赞数 26

分类专栏：智能算法文章标签：算法智能算法

本文链接：https://blog.csdn.net/Logic_9527/article/details/137243377

版权

智能算法专栏收录该内容

299 篇文章 14 订阅

订阅专栏

在这里插入图片描述

1.背景

2018年，G Dhiman等人受到自然界中帝企鹅群体社会行为启发，提出了帝企鹅优化算法（Emperor Penguin Optimizer, EPO）。

2.算法原理

2.1算法思想

EPO模拟了帝企鹅在寒冷冬季的聚集行为，群体通过产生热量来维持温暖。每个帝企鹅个体都会朝着群体中温度较高的方向移动，并寻找到达温度最高处的最优位置。在移动过程中，每个帝企鹅个体会根据自身与最优位置的距离进行调整，并不断更新最优位置，以此实现群体内个体的优化移动和位置更新。
在这里插入图片描述

2.2算法过程

计算拥挤周围温度分布：

群体中的温度T1的变化:
$\begin{aligned} &T_{1}=T-\frac{Max_{iteration}}{k-Max_{iteration}}, \\ &\left.T=\left\{\begin{array}{ll}0,&\text{if }R>1,\\1,&\text{if }R<1.\end{array}\right.\right. \end{aligned}\tag{1}$
其中，k为当前迭代次数，R表述个体距离拥挤群体中心的半径。

计算距离：

确定种群适宜的温度范围后，计算种群中每个个体与最优个体之间的距离：
$\overrightarrow{D_{ep}}=Abs(S(\overrightarrow{A})\cdot\overrightarrow{P(k)}-\overrightarrow{C}\cdot\overrightarrow{P_{ep}(k)}).\tag{2}$
其中，P，Pep分别表述最优个体位置和个体当前位置。A,C是避免相邻个体间碰撞的向量参数，S表示帝企鹅群体最优个体方向移动趋势。
$\begin{aligned} &S(\overrightarrow{A})=\left(\sqrt{f\cdot\mathrm{e}^{-\frac{k}{l}}-\mathrm{e}^{-k}}\right)^{2}\\ &\overrightarrow{A}=(M\times(T_{1}+P_{grid}(Accuracy)\times Rand)-T_{1} \\ &P_{grid}(Accuracy)=Abs(\overrightarrow{P}-\overrightarrow{P_{ep}}). \end{aligned}\tag{3}$