【智能算法改进】基于多策略的改进白鲸优化算法求解工程问题

---

1.算法原理

【智能算法】白鲸优化算法（BWO）原理及实现

——复现文章：基于多策略的改进白鲸优化算法求解工程问题（Modified beluga whale optimization with multi-strategies for solving engineering problems）

2.改进点

分组聚合策略(Group aggregation strategy)

在集体聚集和觅食时，白鲸会搜索或直接接近种群中的最佳食物源。随着它们靠近，聚集的程度逐渐增加，白鲸的活动范围也会相应减小：
$$\begin{array}{c}Ad=\frac{\arctan \left(2\pi {\left(Ev/E{v}_{\max }\right)}^{0.5}\right)}{\arctan \left(2\pi \right)}\\ Sste{p}_j=\left((1-Ad{)}^{(Ev/E{v}_{\max }{)}^{0.5}}\right)\times (2\times rand-1)\\ \{\begin{array}{ll}{X}_i^{T+1}=Ad\times \left(mea{n}^T-X_i^T\right)+X_i^T+Sstep,& rand<0.5\\ X_i^{T+1}=Ad\times \left(X_{\mathrm{best}}^T-X_i^T\right)+X_i^T,& else\end{array}\end{array}\text{\hspace{1em}(1)}$$
其中 Ev 是当前的评估次数，Evmax 是最大评估次数，Ad 是聚集程度，随着评估次数的增加，聚集程度逐渐从 0 接近 1。

迁移策略(Migration strategy)

假设白鲸迁移的概率模拟了白鲸迁移的不确定性，即在寻找食物源的连续迁移过程中，白鲸的种群数量随着种群数量的增加而逐渐增加，而种群数量随着种群数量的增加而增加，从而导致白鲸迁移的概率降低。白鲸位置更新:
$$\begin{array}{c}mf=(1-(Ev/E{v}_{\max }){)}^{\frac{Ev}{E{v}_{\max }}}\\ X_{i,j}^{T+1}=\left(\cos {\left(2\pi r_8\right)}^2\left(X_{i,j}^{T-1}-X_{i,j}^T\right)+\sin {\left(2\pi r_9\right)}^2\left(X_{r,j}^T-X_{i,j}^T\right)\right)u_r\\ +X_{i,j}^T+(2\times r_{10}-1),r_{11}<mf\end{array}\text{\hspace{1em}(2)}$$
mf 是迁移概率，随着评估次数的增加，该概率会逐渐从 1 变为 0；这表明白鲸逐渐接近最佳食物源，迁移概率相应减小。vr 是移动速度的大小，是一个取值范围在 (3,9) 内的随机数。

伪代码

3.结果展示

CEC2005测试

定性分析：种群分布，多样性，探索开发比

工程应用

拉/压弹簧设计问题

压力容器设计问题

4.参考文献

[1] Jia H, Wen Q, Wu D, et al. Modified beluga whale optimization with multi-strategies for solving engineering problems[J]. Journal of Computational Design and Engineering, 2023, 10(6): 2065-2093.

5.代码获取