【智能算法】黑翅鸢优化算法（BKA）原理及实现

---

1.背景

2024年，J Wang受到黑翅鸢迁徙和捕食行为启发，提出了黑翅鸢优化算法（Black-winged Kite Algorithm, BKA）。

2.算法原理

2.1算法思想

BKA具有独特的生物启发特征，不仅捕捉了黑翅鸢在自然界中的飞行和捕食行为，还深入模拟了它们对环境变化和目标位置的高适应性。BKA中引入了柯西变异策略，有助于算法跳出局部最优解，并增加在全局搜索空间中发现更好解的概率。同时，BKA集成了一种领导策略，模拟了风筝社区中领导者的领导作用，确保算法能够有效利用当前的最佳解并指导搜索方向。

2.2算法过程

攻击行为

黑翅鸢是草原小型哺乳动物和昆虫的捕食者，在飞行过程中根据风速调整翅膀和尾巴的角度，静静地悬停观察猎物，然后迅速俯冲攻击，该策略包括不同的攻击行为，用于全局探索和搜索。黑翅鸢攻击行为:
$$y_{t+1}^{i,j}=\{\begin{array}{c}{y}_t^{i,j}+n(1+\sin (r))\times y_t^{i,j}p<r\\ y_t^{i,j}+n\times (2r-1)\times y_t^{i,j}else\end{array}\text{\hspace{1em}(1)}$$
$$n=0.05\times e^{-2\times {\left(\frac{t}{T}\right)}^2}\text{\hspace{1em}(2)}$$

迁移行为

迁移通常由领导者领导，作者提出了一个基于鸟类迁徙的假设:如果当前种群的适应度值小于随机种群的适应度值，那么领导者将放弃领导并加入迁徙种群，这表明它不适合领导种群前进。相反，如果当前种群的适应度值大于随机种群的适应度值，则会引导种群到达目的地。这种策略可以动态地选择优秀的领导者，以确保迁移的成功。黑翅鸢迁徙行为:
$$y_{t+1}^{i,j}=\{\begin{array}{l}{y}_t^{i,j}+C(0,1)\times \left(y_t^{i,j}-L_t^j\right)F_i<F_{ri}\\ y_t^{i,j}+C(0,1)\times \left(L_t^j-m\times y_t^{i,j}\right)else\end{array}\text{\hspace{1em}(3)}$$
$$m=2\times \sin (r+\pi /2)\text{\hspace{1em}(4)}$$
其中，Lt表示第t次迭代领先得分者，C(0,1)表示柯西变异算子，一维柯西分布的概率密度函数:
$$f(x,\delta ,\mu )=\frac{1}{\pi }\frac{\delta }{{\delta }^2+(x-\mu {)}^2},-\infty <x<\infty \text{\hspace{1em}(5)}$$
当δ = 1， μ = 0时，其概率密度函数成为标准形式:
$$f(x,\delta ,\mu )=\frac{1}{\pi }\frac{1}{x^2+1},-\infty <x<\infty \text{\hspace{1em}(6)}$$

伪代码

3.结果展示

4.参考文献

[1] Wang J, Wang W, Hu X, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering problems[J]. Artificial Intelligence Review, 2024, 57(4): 1-53.

5.代码获取

资源清单