金豹算法（GJO）多目标优化(文末附完整免费代码)

机器学习与优化算法

已于 2024-08-02 12:59:41 修改

阅读量736

点赞数 21

文章标签：算法

于 2024-07-14 11:34:58 首次发布

本文链接：https://blog.csdn.net/m0_59257547/article/details/140414249

版权

这里写目录标题

1.算法简介

金豹优化算法（Golden Jackal Optimization, GJO）是由Nitish Chopra等人在2022年提出的一种元启发式优化算法，其灵感来源于金豺（Golden Jackal）的协作狩猎行为。该算法模拟金豹（也称为亚洲胡狼）的社会行为和狩猎策略。GJO属于群体智能算法家族，旨在解决复杂的优化问题。
在这里插入图片描述

2.算法原理

金豹算法的核心原理基于金豹的两种主要行为模式： (1) 领导行为：模拟群体中领导者引导其他成员的行为。 (2) 探索行为：模拟个体独立探索新区域的行为

2.1 领导行为

$X_{i}^{new}=X_i+\alpha*(X_j-X_i)$

其中， $X_i$ 是当前解， $X_j$ 是随机选择的另一个解， $\alpha$ 是领导率（ $0<\alpha<1$ ）

2.2 探索行为

$X_{i}^{new}=X_i+\beta*randn()$

其中， $\beta$ 是探索率， $r an d n ()$ 是从标准正态分布的随机数。

3.算法主要步骤

金豹算法的主要计算流程如下：

(1) 初始化:

定义目标函数 $f (X)$
设置种群大小 N，最大迭代次数 $Max_iter$ ，领导率 $\alpha$ ，探索率 $\beta$
随机生成初始种群 $X_1, X_2, \ldots, X_N$

(2) 评估：计算每个解的适应度 $f(X_i)$

(3) 主循环（重复直到达到 $Max_iter$ ）：

① 对每个解 $X_i$ ：

如果 $rand()<\alpha$ ：
执行领导行为： $X_{i}^{new}=X_i+\alpha*(X_j-X_i)$
否则：
执行探索行为： $X_{i}^{new}=X_i+\beta*randn()$

② 边界处理：确保新解 $X_{i}^{new}$ 在搜索空间内

③ 评估新解：计算 $f(X_{i}^{new})$

④ 更新：如果 $f(X_{i}^{new})$ 优于 $f(X_i)$ ，则用 $X_{i}^{new}$ 替换 $X_i$

4.核心代码

金豹优化算法的函数，可以直接拿来用

% GJA 函数：金豺豹算法的实现，用于求解优化问题。
function [bestSol, bestCost, costHistory] = GJA(problem, params)
    
    % 问题信息：提取优化问题的细节。
    CostFunction = problem.CostFunction;       % 要最小化的目标函数。
    nVar = problem.nVar;                       % 决策变量的数量。
    VarMin = problem.VarMin;                   % 每个变量的最小值。
    VarMax = problem.VarMax;                   % 每个变量的最大值。
    
    % 参数设置：设定算法的参数。
    MaxIt = params.MaxIt;                      % 最大迭代次数。
    nPop = params.nPop;                        % 种群大小。
    alpha = params.alpha;                      % 领导阶段的概率。
    beta = params.beta;                        % 探索阶段的步长系数。
    
    % 初始化种群：创建初始种群的解。
    empty_individual.Position = [];            % 定义空位置。
    empty_individual.Cost = [];                % 定义空成本。
    
    pop = repmat(empty_individual, nPop, 1);   % 初始化种群数组。
    
    % 为种群中的每个个体生成初始位置。
    for i = 1:nPop
        pop(i).Position = unifrnd(VarMin, VarMax, [1, nVar]); % 在限定范围内随机生成位置。
        pop(i).Cost = CostFunction(pop(i).Position);          % 评估成本。
    end
    
    % 对种群按成本排序。
    [~, SortOrder] = sort([pop.Cost]);
    pop = pop(SortOrder);
    
    % 找到目前为止发现的最佳解。
    bestSol = pop(1);
    
    % 初始化最佳成本历史记录：准备记录每轮迭代中的最佳成本。
    costHistory = zeros(MaxIt, 1);
    
    % 主循环：迭代优化过程。
    for it = 1:MaxIt
        
        % 更新种群中的每个个体。
        for i = 1:nPop
            if rand < alpha
                % 领导阶段：向随机选定的个体移动。
                j = randi([1, nPop]);          % 选择一个随机个体作为领导者。
                step = (pop(j).Position - pop(i).Position) * rand; % 计算移动步长。
                newPos = pop(i).Position + step;                 % 新位置。
            else
                % 探索阶段：随机探索搜索空间。
                newPos = pop(i).Position + beta * randn(size(pop(i).Position)); % 新的随机位置。
            end
            
            % 应用边界约束，确保新位置在限制范围内。
            newPos = max(newPos, VarMin);
            newPos = min(newPos, VarMax);
            
            % 评估新位置的成本。
            newCost = CostFunction(newPos);
            
            % 将新成本与当前个体的成本进行比较。
            if newCost < pop(i).Cost
                pop(i).Position = newPos;      % 更新个体的位置。
                pop(i).Cost = newCost;         % 更新个体的成本。
                
                % 检查这是否是新的最佳解。
                if pop(i).Cost < bestSol.Cost
                    bestSol = pop(i);          % 更新最佳解。
                end
            end
        end
        
        % 再次对种群排序，更新所有个体之后。
        [~, SortOrder] = sort([pop.Cost]);
        pop = pop(SortOrder);
        
        % 存储当前迭代中的最佳成本。
        bestCost = bestSol.Cost;
        costHistory(it) = bestCost;
        
    end
    
end

5.算法测试

5.1 测试函数

% 测试函数
% (1)Sphere Function (单峰)
function z = Sphere(x)
    z = sum(x.^2);
end

% (2)Rastrigin Function (多峰)
function z = Rastrigin(x)
    z = 10*length(x) + sum(x.^2 - 10*cos(2*pi*x));
end

% (3)Ackley Function (多峰)
function z = Ackley(x)
    n = length(x);
    z = -20*exp(-0.2*sqrt(sum(x.^2)/n)) - exp(sum(cos(2*pi*x))/n) + 20 + exp(1);
end

% (4)Rosenbrock Function (单峰，但具有挑战性)
function z = Rosenbrock(x)
    z = sum(100*(x(2:end)-x(1:end-1).^2).^2 + (x(1:end-1)-1).^2);
end

% (5)Griewank Function (多峰)
function z = Griewank(x)
    z = sum(x.^2)/4000 - prod(cos(x./sqrt(1:length(x)))) + 1;
end

5.2 可视化结果
在这里插入图片描述