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
=
{
y
t
i
,
j
+
n
(
1
+
sin
(
r
)
)
×
y
t
i
,
j
p
<
r
y
t
i
,
j
+
n
×
(
2
r
−
1
)
×
y
t
i
,
j
e
l
s
e
(1)
y_{t+1}^{i,j}=\left\{\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}\right.\tag{1}
yt+1i,j={yti,j+n(1+sin(r))×yti,jp<ryti,j+n×(2r−1)×yti,jelse(1)
n
=
0.05
×
e
−
2
×
(
t
T
)
2
(2)
n=0.05\times e^{-2\times\left(\frac{t}{T}\right)^{2}}\tag{2}
n=0.05×e−2×(Tt)2(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
=
{
y
t
i
,
j
+
C
(
0
,
1
)
×
(
y
t
i
,
j
−
L
t
j
)
F
i
<
F
r
i
y
t
i
,
j
+
C
(
0
,
1
)
×
(
L
t
j
−
m
×
y
t
i
,
j
)
e
l
s
e
(3)
y_{t+1}^{i,j}=\begin{cases}\quad y_t^{i,j}+C(0,1)\times\left(y_t^{i,j}-L_t^j\right)\quad F_i<F_{ri}\\\quad y_t^{i,j}+C(0,1)\times\left(L_t^j-m\times y_t^{i,j}\right)\quad else\end{cases}\tag{3}
yt+1i,j=⎩
⎨
⎧yti,j+C(0,1)×(yti,j−Ltj)Fi<Friyti,j+C(0,1)×(Ltj−m×yti,j)else(3)
m
=
2
×
sin
(
r
+
π
/
2
)
(4)
m=2\times\sin{(r+\pi/2)}\tag{4}
m=2×sin(r+π/2)(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
,
δ
,
μ
)
=
1
π
δ
δ
2
+
(
x
−
μ
)
2
,
−
∞
<
x
<
∞
(5)
f(x,\delta,\mu)=\frac{1}{\pi}\frac{\delta}{\delta^2+(x-\mu)^2},\quad-\infty<x<\infty \tag{5}
f(x,δ,μ)=π1δ2+(x−μ)2δ,−∞<x<∞(5)
当δ = 1, μ = 0时,其概率密度函数成为标准形式:
f
(
x
,
δ
,
μ
)
=
1
π
1
x
2
+
1
,
−
∞
<
x
<
∞
(6)
f(x,\delta,\mu)=\frac{1}{\pi}\frac{1}{x^2+1},\quad-\infty<x<\infty \tag{6}
f(x,δ,μ)=π1x2+11,−∞<x<∞(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.