Matlab群体智能优化算法之苍鹰优化算法(NGO)

Northern Goshawk Optimization:A New Swarm-Based Algorithm for Solving Optimization Problems
参考文献：Dehghani M, Hubálovský Š, Trojovský P. Northern Goshawk Optimization: A New Swarm-Based Algorithm for Solving Optimization Problems[J]. IEEE Access, 2021, 9: 162059-162080.

注：仅记录学习，如有侵权，联系删除

1、初始化
  X代表整个鹈鹕种群，每个$X_i$都是都是给定问题的一个候选解。
  F代表适应度函数值。
$$X={\left[\begin{array}{c}{X}_1\\ ⋮\\ X_i\\ ⋮\\ X_N\end{array}\right]}_{N\times m}={\left[\begin{array}{ccccc}{x}_{1,1}& \cdots & x_{1,j}& \cdots & x_{1,m}\\ ⋮& \ddots & ⋮& & ⋮\\ x_{i,1}& \cdots & x_{i,j}& \cdots & x_{i,m}\\ ⋮& & ⋮& \ddots & ⋮\\ x_{N,1}& \cdots & x_{N,j}& \cdots & x_{N,m}\end{array}\right]}_{N\times m}$$
$$F={\left[\begin{array}{c}{F}_1\\ ⋮\\ F_i\\ ⋮\\ F_N\end{array}\right]}_{N\times 1}={\left[\begin{array}{c}F\left(X_1\right)\\ ⋮\\ F\left(X_i\right)\\ ⋮\\ F\left(X_N\right)\end{array}\right]}_{N\times 1}$$
$$x_{i,j}=l_j+\text{ rand }\cdot \left(u_j-l_j\right),i=1,2,\dots ,N,j=1,2,\dots ,m$$
  式中：$x_{i,j}$代表第i个苍鹰的第j个变量的值；N是种群大小；m是维度；rand代表[0,1]之间的随机数；$l_j$代表下限；$u_j$代表上限。

2、位置更新方式

2.1 第一阶段
                  
第一阶段，随机选择一个猎物，然后迅速攻击它。这个阶段由于在搜索空间中随机选择猎物，增加了搜索能力，确定最佳地区。

$$\begin{array}{rl}& P_i=X_k,i=1,2,\dots ,N,k=1,2,\dots ,i-1,i+1,\dots ,N\\ & \begin{array}{rl}{x}_{i,j}^{new,P1}& =\{\begin{array}{l}{x}_{i,j}+r\left(p_{i,j}-I{x}_{i,j}\right),F_{P_i}<F_i,\\ x_{i,j}+r\left(x_{i,j}-p_{i,j}\right),F_{P_i}\ge F_i,\end{array}\\ X_i& =\{\begin{array}{ll}{X}_i^{new,P1},& F_i^{new,P1}<F_i,\\ X_i,& F_i^{new,P1}\ge F_i,\end{array}\end{array}\end{array}$$
  式中：$r$是属于[0,1]的随机数，；$I$是随机数字，可以取1或2，当$I$=2时，可以增加每个个体的位移，使得其进入搜索空间的新区域。

2.2第二阶段
                  
$$\begin{array}{rl}{x}_{i,j}^{new,P2}& =x_{i,j}+R(2r-1)x_{i,j},\\ R& =0.02\left(1-\frac{t}{T}\right),\\ X_i& =\{\begin{array}{ll}{X}_i^{new,P2},& F_i^{new,P2}<F_i,\\ X_i,& F_i^{new,P2}\ge F_i.\end{array}\end{array}$$
  式中：无特殊含义。

3、流程图
                  
4、伪代码
                  
5、测试
                  
原文测试结果：
                  
  花里胡哨，我不会。想发高水平的论文，还得看看高水平的是怎么画图的吧。卑微，有哪位同学会嘛，求分享。