性能出众的一区新算法|星鸦优化算法NOA原理及代码实现(Matlab)

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进
CEC2005中的测试

本文KAU将介绍一个2023年发表在1区期刊KBS上的优化算法——星鸦优化算法(Nutcracker Optimization Algorithm，NOA)[1]

该算法由Mohamed Abdel-Basset等于2023年提出，Mohamed Abdel-Basset教授同时也是开普勒、光谱、蜘蛛蜂等优化器的提出者。

而本文要介绍的NOA灵感来源于生活在美国西部和加拿大山区中的一种名叫星鸦的鸟类，该优化器模拟了星鸦觅食、存储以及缓存搜索、恢复的行为

算法性能上，在23个标准测试函数、CEC2014、CEC2017、CEC2020及5个工程设计问题上进行评估，对比算法包含：

(1)SMA、GBO、AVOA等近年发表的算法；

(2)SSA、WOA、GWO等高引算法；

(3)AL-SHADE、L-SHADE等CEC竞赛的获胜算法

NOA是所有方法中排名第一！

图源文献[1]

因此KAU对这个性能如此出彩的算法也很感兴趣，遂出此文章以学习，本文将介绍该算法的相关原理并给出其MATLAB实现。

00 目录

1 星鸦优化算法(NOA)原理

2 代码目录

3 算法性能

4 源码获取

01 星鸦优化算法(NOA)原理

图源文献[1]

NOA同样是基于种群的元启发式算法，模拟了星鸦在夏季和秋季寻找食物并将其存储在合适的场所，冬季和春季寻找储存的地方并取回食物的行为。共四种行为，下面讲解NOA原理：

1.1 初始化

星鸦的位置可视为搜索代理，其遵循随机初始化的方法：

1.2 觅食与存储策略

1.2.1 觅食阶段——勘探1

此阶段星鸦检查初始位置旁包含种子的球果，若有好种子，则带到储藏区，若没有，则到另一个松树上寻找，对该行为的建模如下：

其中，Uj和Lj是上下界，γ是Levy飞行产生的随机数，A、B、C是种群中的随机个体，τ1, τ2, r和r1是[0,1]之间的随机数，Xmtj是第j维的平均值，u是一个在正态分布随机数、levy飞行、随机数之间随机生成的数字，如下：

觅食阶段的第一个状态表明星鸦不改变位置，第二个状态表明将对空间进行随机的全局搜索，第三个状态将探索位置周围的空间。

1.2.2 存储阶段——开发1

星鸦将觅食阶段获得的食物运到储藏区，其数学模型为：

其中，λ是levy飞行生成的随机数，τ3是(0,1)之间的随机数，I是1到0随机线性递减的因子。

1.2.3 位置更新

根据以下公式进行觅食和存储之间的转换，以维持勘探和开发之间的平衡：

Eq(1)即选择觅食阶段的更新方式，Eq(2)即选择存储阶段的更新方式，ϕ是一个随机数，Pa1从1到0递减。即两种策略只选用一种执行。

1.3 寻找储藏区与找回策略

冬季来临后，星鸦将进行第二次探索，它从储藏模式转换到搜索模式，星鸦用两个参考点RP作为单个储藏区的标记。这些参考点可以用不同的方程表示：（这个参考点是星鸦用来找回食物的依据，是个很有意思的设计，可以作为一个改进策略的构想）

参考点：

第一层参考点为：

其中，theta表示[0,pi]之间的随机数，𝛼为：

第二层参考点为：

其中，L和U是上下界，U2（下图中U1应为U2）如下：

1.3.1 寻找储藏区阶段——勘探2

寻找储藏区阶段的位置更新公式为：

其中，Eq(13)为：

Eq(15)为：

其中C是随机选择一个个体。

新的位置将以贪婪策略选择性保留：

1.3.2 找回食物阶段——开发2

找回食物时其位置更新方式为:

Eq(12)

Eq(14)

同样，新的位置将以贪婪策略选择性保留：

1.3.3 位置更新

和上一节一样，第二阶段的搜索同样也是从勘探和开发中进行随机选择，其选择公式如下：

其中，Eq(16)即为勘探，Eq(17)即为开发。φ为(0,1)之间的随机数，而Pa2是经过实验确定的，原文中等于0.2。

1.4 算法流程

NOA算法共分两个阶段，每个阶段都包含勘探与开发两种策略，并且每个阶段的运行只会择其一种策略进行更新，同时，一次迭代只会选择一个阶段执行(按一定概率选择)，保证了算法的快速迭代，其总体流程如下（流程图为KAU结合原文，根据自己的理解所画，若有误欢迎指正）：

02 代码目录

代码为MATLAB，。考虑到很多同学获取代码后，MATLAB代码部分有乱码（MATLAB版本问题），有几个方法：

①可以将MATLAB版本改为2020及以上；

②将m文件用记事本打开，再将记事本中的代码复制到Matlab即可

代码都经过作者重新注释，代码更清爽，可读性强。

03 算法性能

采用标准测试函数初步检验其寻优性能，在MATLAB中，进行标准函数的测试，执行程序结果如下：

04 源码获取

在公众号（KAU的云实验台 ）后台回复 NOA 即可

参考文献

[1] Abdel-Basset M , Mohamed R , Jameel M ,et al.Nutcracker optimizer: A novel nature-inspired metaheuristic algorithm for global optimization and engineering design problems[J].Knowledge-Based Systems, 2023, 262:110248-.

另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发，可以点击右下角的赞/在看(ง •̀_•́)ง(不点也行)，你们的鼓励就是我坚持的动力！若有定制需求，可私信作者。