【智能算法】红嘴蓝喜鹊优化算法（RBMO）原理及实现

---

1.背景

2024年，S Fu受到自然界中红嘴蓝喜鹊社会行为启发，提出了红嘴蓝喜鹊优化算法（Red-billed Blue Magpie Optimizer, RBMO）。

2.算法原理

2.1算法思想

RBMO模拟了红嘴蓝喜鹊的搜寻、追逐、攻击猎物和食物储存行为。

2.2算法过程

寻找食物

在寻找食物的过程中，红嘴蓝喜鹊通常以小组(2至5只)或成群(10只以上)的方式行动，以提高搜索效率。小组寻找食物:
$${\mathbf{X}}^i(t+1)={\mathbf{X}}^i(t)+\left(\frac{1}{p}\times \sum _{m=1}^p{\mathbf{X}}^m(t)-{\mathbf{X}}^{\prime \text{s}}(t)\right)\times Ran{d}_2\text{\hspace{1em}(1)}$$
成群寻找食物:
$${\mathbf{X}}^i(t+1)={\mathbf{X}}^i(t)+\left(\frac{1}{q}\times \sum _{m=1}^q{\mathbf{X}}^m(t)-{\mathbf{X}}^{rs}(t)\right)\times Ran{d}_3\text{\hspace{1em}(2)}$$

攻击猎物

红嘴蓝喜鹊在追捕猎物时表现出高度的狩猎熟练度和合作精神，在小组行动中，主要目标通常是小型猎物或植物:
$${\mathbf{X}}^i(t+1)={\mathbf{X}}^{6ood}(t)+CF\times \left(\frac{1}{p}\times \sum _{m=1}^p{\mathbf{X}}^m(t)-{\mathbf{X}}^i(t)\right)\times Rand{n}_1\text{\hspace{1em}(3)}$$
红嘴蓝喜鹊在成群行动时，能够共同瞄准大型昆虫或小型脊椎动物等较大的猎物:
$${\mathbf{X}}^i(t+1)={\mathbf{X}}^{\beta ood}(t)+CF\times \left(\frac{1}{q}\times \sum _{m=1}^q{\mathbf{X}}^m(t)-{\mathbf{X}}^i(t)\right)\times Rand{n}_2\text{\hspace{1em}(4)}$$
其中，参数CF表述为:
$$CF={\left(1-\left(\frac{t}{T}\right)\right)}^{\left(2\times \frac{t}{T}\right)}\text{\hspace{1em}(5)}$$

储存食物

红嘴蓝喜鹊还将多余的食物储存在树洞或其他隐蔽的地方，以备将来食用，确保在食物短缺时稳定的食物供应：
$${\mathbf{X}}^i(t+1)=\{\begin{array}{cc}{\mathbf{X}}^i(t)& iffitnes{s}_{old}^i>fitnes{s}_{new}^i\\ {\mathbf{X}}^i(t+1)& else\end{array}\text{\hspace{1em}(6)}$$

伪代码

3.结果展示

4.参考文献

[1] Fu S, Li K, Huang H, et al. Red-billed blue magpie optimizer: a novel metaheuristic algorithm for 2D/3D UAV path planning and engineering design problems[J]. Artificial Intelligence Review, 2024, 57(6): 1-89.

5.代码获取