智能算法
文章平均质量分 90
小O的算法实验室
公众号:小O的算法实验室,分享优质算法内容~
展开
-
SCI四区|鳑鮍鱼优化算法(BFO)原理及实现【免费获取Matlab代码】
2024年,L Zareian受到自然行为启发,提出了鳑鮍(páng pí)鱼优化算法(Bitterling Fish Optimization, BFO)。鳑鮍鱼是自然界中为了生存展示智能行为的典范,其采用牡蛎产卵策略作为其保姆。BFO模拟了鳑鮍鱼交配行为,雌性鳑鮍鱼寻找比其他鱼更强的雄性鱼来找到合适的配对。原创 2024-07-24 22:06:56 · 416 阅读 · 0 评论 -
SCI二区|学前教育优化算法(PEOA)原理及实现【免费获取Matlab代码】
在PEOA算法中,模仿幼儿园儿童的学习行为,通过特定公式模拟他们模仿教师的方式,计算群体成员的新位置。教师的角色根据学前儿童的年龄段不同而有所变化,其主要关注育儿到逐渐增强教育影响力。在PEOA的第三阶段,通过模拟儿童提高自我意识的行为,对群体成员位置进行微小调整,以增强算法的局部搜索和开发能力。PEOA灵感来自幼儿教育过程中的人类活动,其主要分为三阶段:(i)幼儿园教师教育影响力的逐渐增长(ii)在教师指导下的个人知识发展,以及(iii)个人知识和自我意识的增加。原创 2024-07-21 20:40:16 · 676 阅读 · 0 评论 -
SCI三区|RAO算法(RAO)原理及实现【免费获取Matlab代码】
RAO提出了三种简单的无隐喻优化算法来解决无约束和有约束优化问题。这些算法基于优化过程中得到的最优解和最差解以及候选解之间的随机相互作用,其只需要常见的控制参数,如种群大小和迭代次数,而不需要任何特定于算法的控制参数。2020年,R Rao受到侏儒猫鼬社会行为启发,提出了RAO算法(Rao Algorithms, RAO)。原创 2024-07-20 22:38:57 · 836 阅读 · 0 评论 -
SCI一区TOP|侏儒猫鼬优化算法(DMO)原理及实现【免费获取Matlab代码】
2022年,JO Agushaka受到侏儒猫鼬社会行为启发,提出了侏儒猫鼬优化算法(Dwarf Mongoose Optimization Algorithm, DMO)。DMO模仿了侏儒猫鼬的觅食行为,其社会群体包括:阿尔法群体、保姆和侦察群体。如果觅食足够远,他们将发现一个新的睡眠堆。初始的睡眠土堆设为∅,每只猫鼬都睡在土堆里。其中,阿尔法群体猫鼬的数量对应于n−b,bs是保姆的数量。原创 2024-07-19 14:14:51 · 738 阅读 · 0 评论 -
SCI二区TOP|旗鱼优化算法(SFO)原理及实现【免费获取Matlab代码】
2023年,S Shadravan受到母亲与孩子之间的人际互动启发,提出了旗鱼优化算法(SailFish Optimizer, SFO)。SFO灵感来源于一群捕猎的旗鱼,该方法包括两个种群的策略:旗鱼种群用于加强对迄今为止最好结果的搜索,沙丁鱼种群用于搜索空间的多样化。原创 2024-07-17 21:51:08 · 868 阅读 · 0 评论 -
SCI二区|母亲优化算法(MOA)原理及实现【免费获取Matlab代码】
第一阶段称为“教育”,是受到儿童教育的启发。它旨在通过对种群成员位置进行显著改变,增强探索能力。2023年,I Matoušová受到母亲与孩子之间的人际互动启发,提出了母亲优化算法(Mother Optimization Algorithm, MOA)。在养育孩子中,母亲的一项主要职责是对孩子进行指导。在教育过程中,母亲使用各种形式鼓励孩子提高他们的技能。MOA模拟了母亲与孩子之间的人际互动,其灵感是模拟母亲在教育、建议和养育三个阶段对孩子的照顾。原创 2024-07-15 22:31:45 · 625 阅读 · 0 评论 -
SCI三区|黑鹰优化算法(BEO)原理及实现【免费获取Matlab代码】
2024年,H Zhang受到黑鹰生物规律行为启发,提出了黑鹰优化算法(Black Eagle Optimizer, BEO)。其中,Xr为搜索空间中的随机位置,Xk为随机黑鹰的位置,Xbest为当前最佳位置,表示猎物的位置。这里类似正弦余弦函数的波动和奇数-偶数的交替模式,模拟了黑鹰求偶期间雌雄黑鹰的互动行为。其中,D1,D2为位置调整因子,拟了黑鹰在捕捉猎物时不断调整姿态以确保捕获成功的情况。黑鹰从一点到另一点曲线飞行时的抢夺行为,其利用点的跳跃运动来模拟黑鹰的抢夺行为。原创 2024-07-12 20:22:14 · 729 阅读 · 0 评论 -
SCI二区TOP|蜘蛛黄蜂优化算法(SWO)原理及实现【免费获取Matlab代码】
雌性蜘蛛黄蜂开始他们的旅程,寻找猎物喂养他们的幼虫。它们在搜索空间内随机进行搜索,寻找最合适的猎物,这被称为探索阶段。2023年,M Abdel-Basset受到蜘蛛黄蜂优化社会行为启发,提出了蜘蛛黄蜂优化算法(Spider Wasp Optimizer, SWO)。雌黄蜂有时会找不到从球上掉下来的蜘蛛;其中,vc是根据正态分布在k和- k之间生成的向量。其中,a和b是从种群中随机选取的两个指标来确定探索方向。SWO模拟自然中雌性蜘蛛黄蜂的。原创 2024-07-09 21:26:10 · 696 阅读 · 0 评论 -
SCI三区|儿童学习优化算法KLO:基于社会进化和认知学习的优化算法
父母的属性在采样区间内随机生成,孩子的属性通过父母的随机交叉过程生成,从父亲随机选择部分属性,其余从母亲获得。在KLO算法中,对于每个个体,生成一个具有nVar属性的随机个体IR,并随机选择x个属性进行替换,以模拟探索过程。在社会中,人们以家庭群体(父母和孩子)的形式组织,他们在家庭内部和外部相互交流,KLO将家庭和他们的互动的分散学习概念映射到新的算法中,其中搜索代理(个体)被组织成家庭,并在生命的不同阶段相互交流以找到最佳解决方案。在每次迭代中,整个群体都会被更新,但孩子的更新方式与父母的不同。原创 2024-07-08 20:25:49 · 908 阅读 · 0 评论 -
SCI一区TOP|准随机分形搜索算法(QRFS)原理及实现【免费获取Matlab代码】
初始化对于探索和开发至关重要,随着迭代过程逐渐缩小搜索空间并减少算法的种群数量,启动阶段成为这些关键方面的主要推动力。算法的初始化通过创建一组称为(𝑛𝑓𝑟𝑎𝑐𝑡𝑎𝑙𝑠)的种群展开,每个种群代表一个分形,并通过随机化的低差异序列进行选择。迭代过程涉及逐步缩小搜索空间,通过缩小每个分形的上下限并同时减少算法的种群数量来实现。,其利用分形固有的自相似性和复杂的结构来指导解空间的探索。原创 2024-07-07 10:20:23 · 1106 阅读 · 0 评论 -
SCI二区TOP|麋鹿群优化算法: 一种新颖的受自然启发的元启发式算法
在发情期,根据发情期公鹿率(Br)来划分家族。在B集合中的公鹿随后会争斗以创建家族。2024年,SO Oladejo受到麋鹿群的繁殖过程启发,提出了麋鹿群优化算法(Elk herd optimizer, EHO)。其中, α是继承属性的比率,α 的较高值会增加随机元素参与新小牛的可能性,这反过来又增强了多样性。在产犊季节,每个家族的小鹿主要根据其父亲和母亲的属性繁殖。所有家族合并成一个矩阵EHtemp,EHtemp中的麋鹿将根据它们的适应度值按升序排序。EHO灵感来自麋鹿群的繁殖过程,主要分为。原创 2024-07-06 10:43:15 · 879 阅读 · 0 评论 -
SCI一区TOP|徒步优化算法(HOA)原理及实现【免费获取Matlab代码】
HOA灵感来自于徒步旅行,它认识到优化问题的搜索景观与徒步旅行者所穿越的山区地形之间的相似性。HOA的数学模型以Tobler徒步函数(Tobler’s walking Function, THF)为前提,该函数通过考虑地形的高程和行走距离来确定徒步者的步行速度。HOA利用了徒步旅行者作为一个群体的社会思维和个人徒步旅行者的个人认知能力。2024年,SO Oladejo受到徒步旅行启发,提出了徒步优化算法(Hiking Optimization Algorithm, HOA)。原创 2024-07-04 22:14:53 · 995 阅读 · 0 评论 -
SCI二区|北极海鹦优化算法(APO)原理及实现【免费获取Matlab代码】
S是一个速度系数,它允许北极海鹦通过调整其飞行速度的大小和方向,灵活地适应不同的摄食需求。随着参数S的增加,算法更加贴近北极海鹦的空中行为,使其在面对竞争和不确定性时更加灵活,从而适应更复杂的空中环境。该算法选择将三个不同位置方程中的候选位置合并为一个新的解,以在各种情况下获得最优结果。随着捕食的进行,北极海鹦可能会在一段时间后感觉到当前觅食区域的食物资源枯竭或耗尽。北极海鹦通常以编队或群体的方式进行协调飞行,这种协作行为提高了飞行效率,并为合作狩猎创造了机会。原创 2024-06-30 21:30:48 · 1020 阅读 · 0 评论 -
最新!最全!元启发优化算法215个测试函数综述!【免费获取论文】
这篇综述论文旨在利用对不同基准测试函数的研究,评估元启发优化算法()的性能。MH的性能是通过不同的数学基准测试函数和各种实际工程设计问题来评估,这些基准测试函数有助于识别新提出的MH的优点和缺点。本综述文章介绍了215个数学测试函数,包括数学方程、特性、搜索空间和目标函数的全局最小值,以及57个实际工程设计问题,包括目标函数的数学方程、约束和边界条件。数学基准测试函数和实际设计问题包括进化计算大会(CEC)和遗传与进化计算会议(GECCO)。同时,还突出介绍了CEC的获奖者及其参考文献。原创 2024-06-29 10:52:30 · 976 阅读 · 0 评论 -
SCI二区复现|体育场观众优化算法(SSO)原理及实现
在每次迭代中,新的位置是通过将优化问题的先前位置向最佳个体和两个随机选定的搜索个体而确定的,这种移动提供了一种随机行为,导致算法的代理在该区域内随机移动。搜索个体还会向RND向量和另一个随机选定的搜索代理之间的位置移动,以在问题的搜索空间中进行更精确的搜索。观众的行为类似于搜索代理,通过他们的反应和应援来影响球员(算法中的解决方案)的表现。观众的激励或不满可以影响球员的表现,这种表现转化为目标函数的值,从而评估当前解决方案的优劣。其中,I为当前迭代次数,Im为SSO算法的最大迭代次数。原创 2024-06-28 13:34:20 · 730 阅读 · 0 评论 -
SCI一区TOP|电鳗觅食优化算法(EEFO)原理及实现【免费获取Matlab代码】
为了提高搜索效率,将鳗鱼位置向量的任意一维投影到搜索空间的主对角线上,在该区域建立一个休息区域。为了确定鳗鱼的休息区域,搜索空间和鳗鱼的位置都归一化为0-1的范围。鳗鱼位置的一个随机选择的维度被投射到归一化搜索空间的主对角线上。在EEFO中,每条电鳗都是一个候选解,每一步得到的最佳候选解被认为是目标猎物。电鳗可以通过使用种群中所有个体的位置信息,与从种群中随机选择的任何鳗鱼进行互动。鳗鱼可以通过低放电感知猎物的位置,因此它可以随时调整自己的位置。其中,β为狩猎区域的尺度,r3为(0,1)范围内的随机数。原创 2024-06-24 21:40:54 · 695 阅读 · 0 评论 -
SCI一区TOP|双曲正弦余弦优化算法(SCHO)原理及实现【免费获取Matlab代码】
2023年,J Bai受到双曲正弦余弦函数启发,提出了双曲正弦余弦优化算法(Sinh Cosh optimizer, SCHO)。为了充分利用潜在的搜索空间,SCHO在后期采用了一种类似于动物狩猎的策略,称为有界搜索策略。为了充分利用搜索空间,将开发分为两个阶段,并在整个迭代中进行。其中β控制启动有界搜索策略的值,并设置为1.55。W2控制第二开采阶段的程度。其绝对值在以后的迭代中逐渐增大,开发程度也随之增大。原创 2024-06-22 22:58:58 · 790 阅读 · 0 评论 -
SCI一区TOP|局部强化优化算法(PRO)原理及实现【免费获取Matlab代码】
通过选择适当的强化行为和实施强化过程的时间,强化模式显著影响学习者在强化计划中的反应率和强度。每个学习者都有一个特定的时间表,由于每个标量代表了特定学习者行为的分数优先级,分数优先级越高,下一次迭代中被选择的机会就越大。在训练过程中为学习者应用一个新的时间表,当学习者的所有行为都持续受到负强化时。其中,SR是选择率,gr是基于调度选择的行为子集,gr是选择子集的大小,是行为(决策变量)的总数。任何试图刺激学习者的行为以引起反应的尝试都是通过应用操作来改变所提出的解决方案的决策变量来建模。原创 2024-06-20 20:27:30 · 860 阅读 · 0 评论 -
SCI一区TOP|常青藤优化算法(IVYA)原理及实现【免费获取Matlab代码】
IVYA模拟常青藤种群的协调有序增长以及扩散和演化过程,其通过一个微分方程和数据密集型的实验过程来建模。IVYA利用附近常青藤的知识来确定生长方向,通过选择最近且最健康的邻居来模拟常青藤在自然中的行为。在成员Ii通过搜索空间全局漫游到最近的邻居Iii的阶段之后,成员Ii试图直接跟随整个种群的最佳成员IBest,这相当于在成员IBest周围寻找更好的最优解。其中,Gv为增长率,φ为生长速度,φ为偏离生长的修正系数。其中,向量ΔGvi(t)和ΔGvi(t1)表示离散时间系统(时刻t和时刻t1)的增长率。原创 2024-06-19 22:17:05 · 988 阅读 · 0 评论 -
SCI二区|鲸鱼优化算法(WOA)原理及实现【附完整Matlab代码】
当鲸鱼靠近全局最优解时,它们会以螺旋的方式在局部范围内进行搜索。2016年,S Mirjalili受到自然界座头鲸社会行为启发,提出了鲸鱼优化算法(Whale Optimization Algorithm, WOA)。WOA模拟了座头鲸的社会行为,主要包括。原创 2024-06-13 23:05:10 · 1177 阅读 · 0 评论 -
【智能算法】大蔗鼠算法(GCRA)原理及实现
大蔗鼠在其领地内到处觅食,行走的鼠标代表支配性雄性的不同位置,而正在吃东西的鼠标代表找到的食物来源。假设支配性雄性保留有关这些路径的信息,其他鼠根据这些数据调整自己的位置。:在交配季节,雄性大甘蔗鼠将自己与群体分开,集中在食物丰富的区域进行觅食。这模拟了算法中的局部搜索过程,即在找到的有希望区域内细致搜索以优化解。其中,α是一个模拟食物来源减少的系数,它迫使寻找新的食物来源或庇护所;:大蔗鼠在其领地内不同的庇护所之间移动以觅食,并留下路径,这模拟了算法中的全局探索过程,帮助寻找多个潜在的优化解。原创 2024-06-06 18:24:43 · 659 阅读 · 0 评论 -
【智能算法】花斑翠鸟优化算法(PKO)原理及实现
2024年,A Bouaouda受到自然界中花斑翠鸟社会行为启发,提出了花斑翠鸟优化算法(Pied Kingfisher Optimizer, PKO)。智能算法,论文复现,算法应用(机器学习、二维&三维路径规划、UAV路径规划、布局优化、调度优化、VRP问题等),定制算法可以联系我~斑翠鸟的捕食效率会受到多种因素的影响,比如猎物的可用性、单个鸟的捕猎技巧以及该地区竞争对手或捕食者的存在。原创 2024-06-03 23:58:32 · 1047 阅读 · 0 评论 -
【智能算法】吸引-排斥优化算法(AROA)原理及实现
2024年,K Cymerys受到自然界中吸引-排斥现象启发,提出了吸引-排斥优化算法(Attraction–Repulsion Optimization Algorithm, AROA)。在AROA中,局部搜索算子采用SCA的轮盘选择,最优解的选择采用贪婪选择方法。AROA模仿了自然界中发生的吸引-排斥现象的相关平衡,其中候选解决方案根据其邻域中的解决方案质量以及最佳候选方案在搜索空间中移动。候选解的位置根据群体其他成员所达到的适应度信息更新,取决于群体成员之间的距离。原创 2024-06-01 15:39:44 · 1013 阅读 · 0 评论 -
【智能算法】三角拓扑聚合优化算法(TTAO)原理及实现
在每次迭代开始时,从一个相同长度的顶点和两条相同长度的边得到新的相似三角形拓扑单元。在球坐标系中以第一个顶点为起始顶点,利用三角函数将其转换为普通坐标系,得到一个长度为l*f的新方向向量。,迭代构建多个相似的三角形拓扑单元,以平衡探索和开发。前者通过不同三角拓扑单元之间的正信息交换产生新的顶点,后者根据每个单元的局部最优顶点在有希望的位置构造新的单元。泛化聚合强调探索阶段,其收集不同三角单元中优秀个体的信息,并创造出新的可行解。信息交互发生在每个三角拓扑单元中最优个体与任意选定单元集中最优个体之间。原创 2024-05-30 20:20:52 · 1133 阅读 · 0 评论 -
【智能算法】波搜索算法(WSA)原理及实现
其中W εi = Wi ε, W−εi = Wi−ε, ε = 10−6,g为梯度,α为阶跃系数,α的初始值设为0.45。其中,Wmin是由W各维上的最小值组成的向量,Wmax是由W各维上的最大值组成的向量,fmean是所有粒子适应度值的平均值。此策略可以逐步缩小搜索范围,新生成的点在缩小的范围内生成,提高了搜索效率,采用。WSA模拟雷达工作时的发射、反射和接收波的过程,并且利用了被优化问题的梯度信息,采用了多种改进的贪心机制,具有准确、高效、灵活、适应性强的特点。控制种群在全局最优位置附近的位置。原创 2024-05-29 20:50:47 · 942 阅读 · 0 评论 -
【智能算法】青蒿素优化算法(AO)原理及实现
在这一阶段,患者继续接受低剂量青蒿素及其衍生物的治疗,以确保完全根除疟疾寄生虫,尽量减少在人体内发生不良反应的风险。对疾病的严重程度漠不关心和治疗期间的松懈是危险的有害因素,在这种策略中,假设不活跃的寄生虫形式仍然存在于人体内。在疟疾治疗的初始阶段,给病人更大剂量的药物,以迅速控制疾病的进展。AO灵感来自于疟疾的青蒿素药物治疗过程,该过程涉及全面根除人体内的疟疾寄生虫。在最初的治疗阶段之后,随着疾病得到控制,治疗过渡到维持阶段,以确保彻底治愈疟疾。原创 2024-05-27 20:25:14 · 1239 阅读 · 0 评论 -
【智能算法】白鲸优化算法(BWO)原理及实现
少数白鲸坠落深海,滋养生物,形成“鲸鱼坠落”现象。BWO算法模拟了白鲸的行为,如游泳、捕食和鲸鱼坠落。探索阶段通过随机选择白鲸来保证设计空间的全局搜索能力,开发阶段控制设计空间的局部搜索能力。其中,sin(2πr2)和cos(2πr2)表示镜像白鲸的鳍朝向水面,根据奇数和偶数选择的维度,更新后的位置反映了白鲸在游泳或潜水时的同步或镜像行为。2022年,C Zhong受到自然界白鲸行为启发,提出了白鲸优化算法(Beluga Whale Optimization, BWO)。其中,LF是莱维飞行步长。原创 2024-05-20 23:46:39 · 1195 阅读 · 0 评论 -
【智能算法|论文复现】猫鼬优化算法(MOA)原理及实现
猫鼬生活在群体中,其生存依赖于协作和互助,其中哨兵猫鼬负责监视周围环境并警告群体成员,使其能够适时地采取行动以应对外部威胁或变化。为了找到尽可能多的食物,猫鼬群体在每次迭代中都有一定的机会向随机方向探索,这有助于跳出局部最优,找到更好的食物资源。在另一种情况下,猫鼬在搜索过程中随机发现其他同伴,并接近它们进行协同狩猎,其中𝑋𝑗是除了自己之外随机选择的个体。在rand>sentry紧急情况下,猫鼬会寻找天敌或灾害,并发出警告,让猫鼬个体避难或反击。其中,step是Levy飞行步长。原创 2024-05-19 15:43:10 · 1005 阅读 · 0 评论 -
【智能算法】黑翅鸢优化算法(BKA)原理及实现
迁移通常由领导者领导,作者提出了一个基于鸟类迁徙的假设:如果当前种群的适应度值小于随机种群的适应度值,那么领导者将放弃领导并加入迁徙种群,这表明它不适合领导种群前进。黑翅鸢是草原小型哺乳动物和昆虫的捕食者,在飞行过程中根据风速调整翅膀和尾巴的角度,静静地悬停观察猎物,然后迅速俯冲攻击,该策略包括不同的攻击行为,用于全局探索和搜索。2024年,J Wang受到黑翅鸢迁徙和捕食行为启发,提出了黑翅鸢优化算法(Black-winged Kite Algorithm, BKA)。同时,BKA集成了一种。原创 2024-05-18 10:19:24 · 1052 阅读 · 0 评论 -
【智能算法】差异化创造性搜索算法(DCS)原理及实现
DKA与DE交叉的主要区别在于其根植于人类知识获取潜力的不同概念,更接近于自然过程,而不是DE所体现的随机原则。Xr1是从包括高绩效成员(绿色突出显示)在内的整个总体中随机选择的,而Xr2是从非高绩效成员(橙色突出显示)中选择的。DCS/Xbest/Current-to-2rand策略依赖于顶级表现者的知识库,并将两名团队成员的随机贡献纳入当前个体所提出的解决方案中。φ系数随这些知识差距的程度而变化,值越高表示知识差距越大,表明个体更需要学习、吸收和吸收新的知识或经验。原创 2024-05-17 16:09:04 · 918 阅读 · 0 评论 -
【智能算法应用】基于小龙虾优化算法的二维最大熵图像阈值分割
二维熵图像分割方法不仅侧重于考虑每个像素的灰度值,还细致地考察了像素邻域内的灰度分布,从而为图像分割提供了更丰富的信息。通过设置灰度阈值 t 和邻域阈值 s,图像被细分为四个区域:两个主要区域(目标和背景)位于阈值对角线的两侧,而垂直于对角线的两个区域主要包含边缘信息和噪声。点灰度值为 i 且其邻域灰度平均值为 j 时的像素点个数, M×N 表示图像的像素大小。最大熵法是由 Kapur 于 1985 年所提出的, 该方法的阈值选取标准取决于。, 而图像中的熵能够反映图像的平均信息量, 表示图像灰度。原创 2024-05-15 23:53:56 · 960 阅读 · 0 评论 -
【智能算法】清道夫优化算法(CFO)原理及实现
2024年,W Zhang受到清道夫自然行为启发,提出了清道夫优化算法(Cleaner Fish Optimization Algorithm, CFO)。CFO模拟了清道夫在进行“清洁服务”时的移动行为,以及雌鱼变性为雄鱼的行为,并定义了两种位置更新模式。而在下一代中,前三分之二的个体采用目标追踪更新模式,其他个体采用性别转换更新模式。在鱼类群体中,当雄性死亡时,雌性可能会改变性别,成为新的雄性。表示清道夫的清洁能力,也表示随着迭代次数的增加,清道夫的清洁能力下降。CFO 提出了两代循环策略:分别是。原创 2024-05-15 23:39:06 · 978 阅读 · 0 评论 -
【智能算法应用】基于冠豪猪优化算法的二维最大熵图像阈值分割
二维熵图像分割方法不仅侧重于考虑每个像素的灰度值,还细致地考察了像素邻域内的灰度分布,从而为图像分割提供了更丰富的信息。通过设置灰度阈值 t 和邻域阈值 s,图像被细分为四个区域:两个主要区域(目标和背景)位于阈值对角线的两侧,而垂直于对角线的两个区域主要包含边缘信息和噪声。点灰度值为 i 且其邻域灰度平均值为 j 时的像素点个数, M×N 表示图像的像素大小。最大熵法是由 Kapur 于 1985 年所提出的, 该方法的阈值选取标准取决于。, 而图像中的熵能够反映图像的平均信息量, 表示图像灰度。原创 2024-05-14 22:51:25 · 1019 阅读 · 0 评论 -
【智能算法】河马优化算法(HO)原理及实现
大多数未成熟的河马都靠近它们的母亲,但由于好奇,有时未成熟的河马会与兽群分开或远离它们的母亲。当r6大于0.5时,表示未成熟的河马已经离开了母亲,但仍在兽群内或附近(式7),否则表示未成熟的河马已经离开了兽群。在河马的社交结构中,雌性通常被置于雄性的保护之下。随着成年雄性河马的成长,它们往往会被领导雄性赶出原有的群体,这些雄性河马则需要通过吸引雌性或与其他成熟雄性竞争以建立自己的领导地位。如果F HippoR i大于F,则表示该河马已被猎杀,将有另一头河马在群中取而代之,否则猎人逃跑,该河马将返回群中。原创 2024-05-14 13:00:20 · 1233 阅读 · 0 评论 -
【智能算法】最优捕食算法(OFA)原理及实现
OFA灵感来源于动物的觅食行为,特别是它们如何有效地定位并捕捉到猎物。这种算法模拟动物在自然界中寻找食物的策略,以解决全局优化问题。在动物界,觅食者通常能够通过先天或经验学到的技能,识别出能够提供丰富猎物的最佳地点。2017年,GY Zhu受到动物行为生态学理论启发,提出了最优捕食算法(Optimal Foraging Algorithm, OFA)。原创 2024-05-12 16:12:49 · 723 阅读 · 0 评论 -
【智能算法应用】遗传粒子群算法(GA-PSO)求解选址问题
经典PSO算法用于连续空间优化问题,选址问题作为组合优化问题,需要在离散空间中求解。因此,考虑遗传算法(Genetic Algorithm,GA)交叉算子和变异算子,形成。[1] 史峰, 王辉, 郁磊. MATLAB 智能算法 30 个案例分析[J]. 2011.a.粒子群中每个粒子i与Gbest,Pbest交叉;b.更新Gbest,Pbest;原创 2024-05-12 15:19:57 · 378 阅读 · 0 评论 -
【智能算法】鹭鹰优化算法(SBOA)原理及实现
SBOA生存需要不断地寻找猎物和躲避捕食者的追捕,探索阶段模拟鹭鹰捕食蛇,而开发阶段模拟鹭鹰逃离捕食者。在这个阶段,鹭鹰观察环境,选择最合适的方式到达安全的避难所。2024年,Y Fu受到自然界中鹭鹰生存行为启发,提出了鹭鹰优化算法(Secretary Bird Optimization Algorithm, SBOA)。当遇到这些威胁时,鹭鹰通常采用各种逃避策略来保护自己或它们的食物。这些策略大致可以分为两大类,第一种策略是逃跑或快速奔跑,第二种策略是伪装。原创 2024-05-11 16:30:19 · 1050 阅读 · 0 评论 -
【智能算法】正切搜索算法(TSA)原理及实现
TSA在早期采用较大的步长,随着搜索过程的进行,步长在迭代过程中呈非线性减小。h接近于/2会使正切值变大,得到的解会远离当前解,而h接近于0会使正切函数的值变小,得到的解会接近当前解。在强化搜索中,TSA首先进行随机局部行走,然后将得到的解中的一些变量替换为当前最优解中对应变量的值。对于大于4的问题,替换变量的比例等于20%,对于小于或等于4个变量的问题,替换变量的比例等于50%。TSAT基于正切函数的数学模型将给定的解决方案移动到更好的解决方案,提出了切线飞线函数,其具有平衡开发与勘探搜索的优点。原创 2024-05-10 21:50:24 · 1202 阅读 · 0 评论 -
【智能算法】人工原生动物优化算法(APO)原理及实现
其中𝑋𝑛𝑒𝑤和𝑋分别表示𝑖th原生动物的更新位置和原始位置。𝑓表示觅食因子,𝑛𝑝表示外部因素之间的邻居对个数,𝑛𝑝𝑚𝑎为𝑛𝑝的最大值。当原生动物处于休眠状态时,它会被新产生的原生动物所取代,以保持恒定的种群数量。内部因素被认为是原生动物的觅食特征,而外部因素被认为是环境影响,如物种碰撞和竞争行为。其中𝑋𝑛𝑒𝑎𝑟是附近的位置,“±”表示𝑋𝑛𝑒𝑎𝑟可能与𝑖th原生动物在不同的方向。其中pf为原生动物种群中休眠和繁殖的比例分数,pah表示自养和异养行为的概率,pdr表示休眠和繁殖的概率。原创 2024-05-09 22:11:03 · 882 阅读 · 0 评论 -
【智能算法】雪消融优化算法(SAO)原理及实现
通过将种群分为两个子种群,一种专注于探索(寻找新的可能解),另一种专注于开发(优化已知解),这种双重人口机制有效地模拟了自然选择中的变异与遗传两大关键因素。当雪通过融化行为转化为液态水时,搜索个体被鼓励围绕当前最佳解决方案开发高质量的解决方案,而不是在解决方案空间中扩展高度分散的特征。布朗运动的一维分布以及在二维和三维搜索空间中的轨迹如图,布朗运动利用动态和均匀的步长,可以探索搜索空间中的一些潜在区域。SAO模拟了雪的升华和融化行为,在融化过程中,雪转化为液态水,而雪可以通过升华直接转化为蒸汽。原创 2024-05-08 20:54:07 · 1450 阅读 · 0 评论