【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

最新推荐文章于 2024-10-21 18:37:00 发布

小O的算法实验室

最新推荐文章于 2024-10-21 18:37:00 发布

阅读量1.2k

点赞数 32

分类专栏：智能算法改进智能算法应用论文复现文章标签：算法论文复现智能算法改进

本文链接：https://blog.csdn.net/Logic_9527/article/details/141086349

版权

智能算法应用同时被 3 个专栏收录

402 篇文章

订阅专栏

论文复现

139 篇文章

订阅专栏

智能算法改进

137 篇文章

订阅专栏

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：
$\begin{gathered} Ad={\frac{\arctan\left(2\pi\left(Ev/Ev_{\max}\right)^{0.5}\right)}{\arctan\left(2\pi\right)}} \\ Sstep_{j}=\left((1-Ad)^{(Ev/Ev_{\max})^{0.5}}\right)\times(2\times rand-1) \\ \begin{cases}X_{i}^{T+1}=Ad\times\left(mean^{T}-X_{i}^{T}\right)+X_{i}^{T}+Sstep,&rand<0.5\\X_{i}^{T+1}=Ad\times\left(X_{\mathrm{best}}^{T}-X_{i}^{T}\right)+X_{i}^{T} ,&else\end{cases} \end{gathered}\tag{1}$
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。

在这里插入图片描述

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:
$\begin{gathered} m f=(1-(Ev/Ev_{\mathrm{max}}))^{\frac{Ev}{Ev_{\mathrm{max}}}} \\ X_{i,j}^{T+1}=\left(\cos\left(2\pi r_{8}\right)^{2}\left(X_{i,j}^{T-1}-X_{i,j}^{T}\right)+\sin\left(2\pi r_{9}\right)^{2}\left(X_{r,j}^{T}-X_{i,j}^{T}\right)\right)u_{r} \\ +X_{i,j}^{T}+(2\times r_{10}-1) ,\quad r_{11}<m f \end{gathered}\tag{2}$
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。

在这里插入图片描述

伪代码

在这里插入图片描述

3.结果展示

CEC2005测试

在这里插入图片描述

定性分析：种群分布，多样性，探索开发比
在这里插入图片描述

工程应用

拉/压弹簧设计问题

在这里插入图片描述
压力容器设计问题

在这里插入图片描述

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.