基于CEC2017测试函数的IBKA改进黑翅鸢优化算法(2024年提出的较新算法,SCI一区,IBKA采用了非常新颖的策略)
本文提出一种改进方法对其改进,并在CEC2017测试函数上进行效果验证。该算法在单峰、多峰和固定多峰上均远远优于原算法(BKA),对1区提出来的算法进行研究,有助于自己发paper。
对比算法:SHO(海马优化器)、AVOA(非洲秃鹫优化算法)、WOA(鲸鱼优化算法)、BKA(黑翅鸢优化算法)、DBO(蜣螂优化算法)。
//需要注意,有的商家采用一些非常差的对比算法,来衬托自己改进效果显著,最优值是几百的函数,采用的对比算法收敛值几万几十万//
初始条件设置:最大迭代次数500、初始种群数量30、独立运行次数10(即一键运行,得到30次运行的结果)
评价指标:最优值、最差值、平均值、标准差
此改进的亮点主要有以下几个方面:
改进1:更改原算法中1处结构,使其更加合理。
改进2:更改位置更新公式,引入种群中值、种群均值的概念。
改进3:引入最优领导者即最优值的概念,改进另一处位置更新公式。
改进4:完美融合GTO优化算法(人工大猩猩部队优化算法),具体如何融合见代码,以上策略代码中均有标注。
CEC2017测试函数,不是随意策略的叠加就能有好效果的,本改进绝没有采用任何LEVY飞行,浑沌映射或者是各种变异的常见策略。
IBKA效果非常好,CEC2017测试函数中,全面碾压原算法(BKA)和其他算法。
很多人出售改进算法跑2005也好,或者是2017也好,不会放出所有结果;IBKA中CEC2017全部测试函数结果都给出来,没什么藏着掖着的,好就是好(27个测试函数,27个都比原来好,26个最优)。
首发,都是自己想出来的,效果如下,有需要的可跳转