信息获取优化算法(IAO)-2024年SCI新算法-公式原理详解与性能测评 Matlab代码免费获取

        声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

原理简介

一、信息收集

二、信息过滤与评估

三、信息分析与组织

算法流程图伪代码

性能测评

参考文献

完整代码

---

​信息获取优化算法(Information Acquisition Optimizer, IAO)是一种新型的元启发式算法（智能优化算法），灵感来源于人类的信息获取行为，由三个不同的关键策略组成。算法清晰易懂，性能也不错，值得一试！该成果由Xiao Wu于2024年8月发表在SCI期刊《The Journal of Supercomputing》上！

由于发表时间较短，谷歌学术上还没人引用！你先用，你就是创新！

原理简介

灵感：信息获取是指通过不同的方法从各种来源收集和获取有用的信息。首先，从比如互联网、图书馆和新闻媒体等多个来源中获取信息。其次，对收集到的信息进行过滤和评估，保留最相关以及最可靠的数据。最后，对处理后的信息进行分析和组织，进而得到有用的信息。

一、信息收集

第一个步骤为信息收集，个体采用各种方法从不同的来源收集信息，实际上可以看作一次差分进化，其公式为：

其中iter表示当前迭代次数，第i次迭代时信息体的状态为xiteri，θ为[0,1]之间的随机数，用于表征信息收集过程中的影响因素。

二、信息过滤与评估

信息的过滤和评价过程已成为个体快速识别相关和有用信息的重要机制，不仅有效地消除了不准确和误导性信息，而且显著提高了信息的整体质量，其公式表示为：

其中rand为[0,1]中生成的随机数，Δ为主观因素对信息进行过滤和评估时产生的误差，由式3定义：

其中[I]为主观影响因子，作为个体主体性的量化指标，发挥着关键作用。它反映了个体的偏好、经验、情绪和先入为主的观念会对信息做出过于乐观或悲观的判断，从而影响信息的最终获取和应用。由于主观状态的变化，不同个体之间或同一个体在不同时间点的评价可能会有所不同，[I]的值由下式计算得出:

其中Max_iter为最大迭代次数，Γ的数学模型由正弦函数部分、对数函数部分和信息质量因子Φ三个主要部分组成。信息质量因子Φ的公式为：

其中δ为[0,1]之间生成的随机数。Φ可以看作是迭代次数iter的函数，它通过调整余弦函数的相位和幅度来影响信息获取的质量。该质量因子Φ在迭代过程中通过影响可靠性因子Γ进一步影响个体i的特征值xiter+1)i。这样，IAO算法可以模拟个体在面对不同信息时的自适应调整行为，从而实现最优的信息获取。

三、信息分析与组织

信息分析和组织是为了从过滤后的信息中识别出已有的有用信息，并将前一阶段识别出的可转换信息转化为有用信息，其公式表示为:

式中，xbesti表示前一次迭代过程中生成的最佳信息体，1/D∑Di=1xbesti表示前一次迭代过程中生成的最佳信息体的平均值，ε、ζ、κ、ω表示在[0,1]之间生成的随机数，Λ表示分析和组织信息的控制因素，定义为：

在信息组织和分析的过程中，个体可以根据信息的质量和可靠性动态优化分析和组织的深度和广度，从而显著提高最终信息的准确性和有效性。这种适应性调节机制体现在Λ：通过动态调整Γ(可靠性因子)的值，Λ可以相应地调整信息处理的严谨性和细节性。当Γ值较高时，说明信息可靠性较强，则Λ值相应增大，使得算法能够进行更深入的信息挖掘和更广泛的信息整合。反之，当Γ值较低时，说明信息可靠性较低，则Λ值也会降低，说明需要更加谨慎地进行信息分析，避免依赖低质量的数据。

算法流程图伪代码

为了使大家更好地理解，这边给出作者算法的流程图和伪代码，非常清晰！

如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！

性能测评

原文作者通过CEC2014、CEC2017、CEC2020和CEC2022和15种被广泛认可的算法进行性能比较评估，并通过对五个现实世界优化难题的比较测试，证实了IAO在处理具有未知搜索空间的复杂问题方面的卓越适用性。

这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，设置种群数量为30，迭代次数为1000，和经典的灰狼优化算法GWO进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！

可以看到，这个算法在单峰函数上收敛非常快，尤其在F1-F4函数上，大多都超越了经典的灰狼优化算法GWO！大家应用到各类预测、优化问题中也是一个不错的选择~

参考文献

[1]Wu X, Li S, Jiang X, et al. Information acquisition optimizer: a new efficient algorithm for solving numerical and constrained engineering optimization problems[J]. The Journal of Supercomputing, 2024: 1-56.

完整代码

如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

IAO

也可点击下方小卡片，再后台回复个人需求（比如IAO-LSTM）定制以下IAO算法优化模型（看到秒回）：

1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~

2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~

4.路径规划类：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~

5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~

6.原创改进优化算法（适合需要创新的同学）：原创改进2024年的信息获取优化算法IAO以及蛇鹫SBOA、蜣螂DBO等任意优化算法均可，保证测试函数效果！