壮丽细尾鹩莺优化算法(SFOA)-2025年SCI一区新算法-公式原理详解与性能测评 Matlab代码免费获取

最新推荐文章于 2025-04-30 16:36:16 发布

强盛机器学习

最新推荐文章于 2025-04-30 16:36:16 发布

阅读量1k

点赞数 12

分类专栏：最新SCI智能优化算法文章标签：算法 matlab 智能优化算法元启发式算法人工智能

本文链接：https://blog.csdn.net/QSJIQIXUEXI/article/details/147141623

版权

最新SCI智能优化算法专栏收录该内容

58 篇文章

订阅专栏

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~

壮丽细尾鹩莺优化算法(Superb Fairy-wren Optimization Algorithm, SFOA)是一种新型的元启发式算法（智能优化算法），作者从壮丽细尾鹩莺的生活习性中得到启发，模拟细尾鹩莺在幼鸟生长、繁殖和取食、躲避天敌三个阶段的自然行为，算法能够高效、准确地完成跨区域的优化任务！该成果由贾鹤鸣等人于2025年2月发表在SCI一区期刊《Cluster Computing》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：壮丽细尾鹩莺灵活狩猎，喙窄，下腹部宽大，但容易受到捕食者的攻击。当面临威胁时，它们会通过某些行为和叫声警告同伴，例如低下头，展开翅膀，抖动羽毛，这些习惯和行为特征对种群繁殖至关重要，并激发了优化算法的发展，模仿壮丽细尾鹩莺的自然行为。

一、初始化阶段

在开始主要策略前，需要先初始化种群的位置：

其中lb与ub分别表示搜索空间在第j维的下、上边界，rand(0,1)为区间[0,1]内的随机数。

二、幼鸟生长阶段

当判断到幼鸟在种群中的比例较大（用一个系数r来衡量）时，算法进入幼鸟生长阶段。因为幼鸟数量过多会影响种群整体生存，需要通过大量学习与位置变动，促使幼鸟尽快成长为成鸟，从而提升搜索的全局探索能力。此时，各个体的更新可建模为：

其中X(t) i,j 表示第 i个体在迭代（或评估）时刻t的坐标，rand(0,1) 是随机噪声项，用来增强搜索的多样性。如果此更新能使目标函数取得更优值，则将新位置替换进种群。该阶段倾向在解空间中进行大范围走动，实现广泛的探索。

三、繁殖哺育阶段

当算法检测到环境危险因子较低（用s表示）且成鸟为主时，种群会转入繁殖哺育阶段。此时，壮丽细尾鹩莺之间采用协同育雏的方式：多个成鸟共同孵化、轮流觅食与教导幼鸟。算法中，为评估环境危险程度，首先用

来计算环境风险量，这里r1,r2 同为[−1,1] 区间内的随机数或满足某种分布的随机数，以模拟风险的波动。当s值偏小意味着环境相对安全，适合繁殖并在局部作精细搜索。在此过程中，对个体位置的更新可表达为：

其中Xb为当前全局最优位置，C为一个常数（常取0.8），p用来描述成鸟“轮流教学”时活动范围逐渐扩大的过程，它可以用正弦函数与当前评估次数的比例来计算，比如：

其中FEs 为当前已进行的评价次数，MaxFEs 为最大评价次数。通过这样的方式，随着繁殖孵化周期的推移，个体在局部范围的活动幅度逐渐增大，利于种群在已知较优解附近作深度开发。

四、天敌规避阶段

若检测到环境的危险因子s较高，表明当前情形不利于繁殖，种群会切换到天敌规避阶段。此时，算法参考壮丽细尾鹩莺遇到捕食者时的两种典型行为：被天敌盯上的鸟快速逃窜，而其他同伴会在空中抖动羽毛示警，形成较大的扰动。以此来设计个体位置更新的模式，包括一个莱维飞行随机步长l，以及自适应平衡因子k来控制逃逸幅度，令整个种群获得随机跳动，以跳出局部陷阱。其更新可写为：

其中Xb表示全局最佳解位置，l为Levy飞行产生的随机步长，用于大范围跳跃，k则随评估次数逐渐变化以协调逃逸距离。当天敌来袭时，个体的逃逸与其余个体的协同干扰可以较大地提升搜索的跳跃性，从而摆脱局部最优的束缚。最后，为了将这三种阶段的更新机制统一到同一次搜索中，可以写成：

其中r为种群内部幼鸟占比的判定阈值，如果r>0.5，说明幼鸟多，需要激发幼鸟生长阶段的广域探索；如果r≤0.5，表示成鸟数量较多，需要进一步判断危险因子s的大小：若s<20，则进入繁殖哺育阶段做局部精细搜索；若s≥20，则进入天敌规避阶段以随机跳跃。

算法流程图和伪代码

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

原文作者采用CEC 2017和CEC 2022的测试函数、14个CEC约束工程设计问题、5个约束工程设计问题和一个包装方法的高维特征选择问题，与几种经典优化算法和新型优化算法进行了比较，结果表明SFOA具有高效性和鲁棒性以及其解决实际应用问题时的实用性和高效性。

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2024年新出的极光优化算法进行对比！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，这个算法能够适应不同类型的函数，与极光优化算法相比不相上下！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]Jia H, Zhou X, Zhang J, et al. Superb Fairy-wren Optimization Algorithm: a novel metaheuristic algorithm for solving feature selection problems[J]. Cluster Computing, 2025, 28(4): 246.

完整代码

如果需要免费获得图中的完整测试代码，只需后台回复关键字，不区分大小写：

SFOA

也可后台回复个人需求（比如SFOA-BiGRU-Attention）付费定制以下SFOA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、LightGBM、TCN、BiTCN、ESN、Transformer等等均可~

2.组合预测类：CNN/TCN/BiTCN/DBN/Transformer/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、光伏MPPT控制、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、图像分割、故障诊断、车间调度等等均可~~

6.原创改进优化算法（适合需要创新的同学）：原创改进2025年的壮丽细尾鹩莺优化算法SFOA以及鱼鹰OOA、蛇鹫SBOA等任意优化算法均可，保证测试函数效果，一般可直接核心！