北方苍鹰优化算法(NGO)----开源免费MATLAB代码

机器学习与优化算法

已于 2024-08-02 12:59:32 修改

阅读量1.3k

点赞数 30

文章标签：算法数学建模

于 2024-07-14 11:58:24 首次发布

本文链接：https://blog.csdn.net/m0_59257547/article/details/140414531

版权

1.算法简介

引用自：
北方苍鹰算法（NGO）是一种受北方苍鹰捕食行为启发的优化算法，于2021年在论文《Northern Goshawk Optimization: A New Swarm-Based Algorithm for Solving Optimization Problems》中提出。它模拟了苍鹰在狩猎过程中的猎物识别和攻击、追逐及逃生行为。
在这里插入图片描述

2.算法核心思想

2.1 第一阶段:猎物识别(探索)

北方苍鹰在狩猎的第一阶段，随机选择猎物，然后迅速攻击它。由于在搜索空间中猎物的选择是随机的，这一阶段增加了NGO的探索能力。这一阶段将导致搜索空间的全局搜索，目的是确定最优区域。图1显示了北苍鹰在这一阶段的行为示意图，包括猎物选择和攻击。

在这里插入图片描述
在第一阶段中表达的概念使用如下公式进行数学建模：

$P_i = X_k, i=1,2,\ldots,N, k=1,2,\ldots,i-1,i+1,\ldots,N,$

$x_{i,j}^{new,P1} = \begin{cases} x_{i,j} + r(p_{i,j}-Ix_{i,j}), & F_{P_i} < F_i, \\ x_{i,j} + r(x_{i,j}-p_{i,j}), & F_{P_i} \geq F_i, \end{cases}$

$X_i = \begin{cases} X_i^{new,P1}, & F_i^{new,P1} < F_i, \\ X_i, & F_i^{new,P1} \geq F_i, \end{cases}$

这里的 $P_i$ 表示第 $i$ 只北方築选定的猎物位置，而 $F_{P_i}$ 则代表该猎物位置对应的目标函数值。在算法的探索阶段， $k$ 作为一个随机选取的自然数，帮助算法在候选解之间进行随机跳跃，增强搜索的多样性和广度。 $x_{new , P_1 , i}^{}$ 代表了基于第一阶段搜索策略更新后的第 $i$ 个个体的新状态，而 $x_{new , P_1 , i , j}^{}$ 则是这个新状态下在第 $j$ 维上的具体表现。值得注意的是， $F_{new , P_1 , i}^{}$ 是根据第一阶段的探索过程计算出的解的目标函数值，它反映了解的质量或适应度。

2.2 第二阶段:追逐逃跑操作(开发)

在北方鵟攻击猎物之后，猎物会试图逃脱。因此，在追击过程中，北方鵟持续追赶猎物。由于北方鵟极高的速度，它们几乎可以在任何情况下追逐并最终捕获猎物。模拟这一行为增强了算法对搜索空间局部搜索的开发能力。在提出的NGO算法中，假设这种捕猎是在一个以攻击位置为中心，半径为R的范围内进行的。北方苍鹰与猎物之间的追击过程如图3所示。第二阶段中的概念使用下式进行了数学建模：

$x_{i,j}^{new,P2}=x_{i,j}+R\left(2r-1\right)x_{i,j}$

$R=0.02\left(1-\frac{t}{T}\right)$

$X_i=\begin{cases} x_{i}^{new,P2}, & F_{i}^{new,P2}<F_i,\\ X_i, & F_{i}^{new,P2}\geq F_i. \end{cases}$

其中， $t$ 是迭代次数的计数器， $T$ 是最大迭代次数， $x_{new},P_2,i$ 是第i个提议解的新状态， $x_{new},P_2,i,j$ 表示该状态下第 $j$ 个维度，而 $F_{new},P_2,i$ 是基于NGO算法第二阶段的目标函数值。

3.算法流程与伪代码

提示：这里可以添加技术名词解释
在这里插入图片描述
英文的看着费劲，我翻译为中文：

1.开始：首先，我们启动NGO算法。
2.输入信息：将需要优化的问题的详细信息输入到算法中，这通常包括目标函数、约束条件等。
3.设置参数：设定算法的迭代次数（T）和种群大小（N），即参与优化过程的“北方雀鹰”数量。
4.初始化种群：随机生成N个北方雀鹰的位置（即解空间中的点），并计算它们的目标函数值，评估每个个体的适应度。
5.主循环：对于每一轮迭代t（从1到T）执行以下操作：
    对于每一个个体i（从1到N）进行以下步骤：
        a.探索阶段：模拟北方雀鹰识别猎物的行为。随机选择一个“猎物”（即解空间中的点），这一步用于探索新的可能解。
            ·对于解空间的每一维j（从1到m），使用特定的公式（4）来计算新状态。这些公式通常涉及随机性和当前解的信息，以帮助探索解空间的不同部分。
            ·更新第i个个体的全部维度状态，形成一个新的潜在解。
        b.开发阶段：模仿北方雀鹰追捕猎物的行为。这一阶段更专注于现有解的改进。
            ·更新搜索范围R（公式6），这可能与当前最优解有关，有助于聚焦于有潜力的解区域。
            ·再次对于每一维j，使用不同的公式（7）来计算新状态，这通常会根据当前的最优解来调整搜索方向。
            ·更新第i个个体的全部维度状态，形成一个新的潜在解。
        c.结束对个体i的处理。
6.记录最佳解：在每次迭代结束时，保存目前为止找到的最佳解。
7.结束迭代：当所有迭代完成，输出由NGO算法得到的最优解或准最优解。
8.结束：算法终止，输出结果。

4.核心代码

北方苍鹰优化算法MATLAB函数

function [Score, Best_pos, NGO_curve] = NGO(Search_Agents, Max_iterations, Lowerbound, Upperbound, dimensions, objective)
% NGO: Northern Goshawk Optimization 算法
% 输入:
%   Search_Agents: 搜索代理数量
%   Max_iterations: 最大迭代次数
%   Lowerbound: 搜索空间下界
%   Upperbound: 搜索空间上界
%   dimensions: 问题维度
%   objective: 目标函数句柄

tic  % 开始计时

% 初始化搜索边界
Lowerbound = ones(1, dimensions) .* Lowerbound;
Upperbound = ones(1, dimensions) .* Upperbound;

% 初始化种群和适应度
X = zeros(Search_Agents, dimensions);
fit = zeros(Search_Agents, 1);
NGO_curve = zeros(1, Max_iterations);

% 初始化种群
for i = 1:dimensions
    X(:, i) = Lowerbound(i) + rand(Search_Agents, 1) .* (Upperbound(i) - Lowerbound(i));
end

% 计算初始适应度
for i = 1:Search_Agents
    fit(i) = objective(X(i, :));
end

% 主循环
for t = 1:Max_iterations
    % 更新最佳解
    [best, blocation] = min(fit);
    
    if t == 1
        xbest = X(blocation, :);
        fbest = best;
    elseif best < fbest
        fbest = best;
        xbest = X(blocation, :);
    end
    
    % 更新每个北方苍鹰的位置
    for i = 1:Search_Agents
        % 阶段1: 探索
        I = round(1 + rand);
        k = randperm(Search_Agents, 1);
        P = X(k, :);
        F_P = fit(k);
        
        if fit(i) > F_P
            X_new = X(i, :) + rand(1, dimensions) .* (P - I .* X(i, :));
        else
            X_new = X(i, :) + rand(1, dimensions) .* (X(i, :) - P);
        end
        
        % 边界检查
        X_new = max(X_new, Lowerbound);
        X_new = min(X_new, Upperbound);
        
        % 更新位置
        fit_new = objective(X_new);
        if fit_new < fit(i)
            X(i, :) = X_new;
            fit(i) = fit_new;
        end
        
        % 阶段2: 开发
        R = 0.02 * (1 - t / Max_iterations);
        X_new = X(i, :) + (-R + 2*R * rand(1, dimensions)) .* X(i, :);
        
        % 边界检查
        X_new = max(X_new, Lowerbound);
        X_new = min(X_new, Upperbound);
        
        % 更新位置
        fit_new = objective(X_new);
        if fit_new < fit(i)
            X(i, :) = X_new;
            fit(i) = fit_new;
        end
    end
    
    % 保存当前最佳解
    NGO_curve(t) = fbest;
end

% 输出结果
Score = fbest;
Best_pos = xbest;

end