智能优化算法：非洲秃鹫优化算法
文章目录
摘要：非洲秃鹫优化算法（African vultures optimization algorithm, AVOA)）是于2021年提出的新型智能优化算法。该算法主要通过模拟非洲秃鹫的觅食和航行行为来问题进行寻优，具有寻优能力强，收敛速度快等特点。
1.算法原理
1.1第一阶段：确定组内最优秃鹰
初始化种群后，计算种群适应度值，将适应度最佳的作为第一组最佳秃鹰，适应度次之的作为第二组最佳秃鹰，其他解使用式（1）向第一组和第二组的最佳解移动。在每次适应度迭代中，将重新计算整个总体。
R
(
i
)
=
{
B
e
s
t
V
u
l
t
u
r
e
1
,
i
f
p
i
=
L
1
B
e
s
t
V
u
l
t
u
r
e
2
,
i
f
p
i
=
L
2
(1)
R(i)=\begin{cases} BestVulture_1,if\,p_i=L_1\\ BestVulture_2,if\,p_i=L_2 \end{cases}\tag{1}
R(i)={BestVulture1,ifpi=L1BestVulture2,ifpi=L2(1)
在式(1)中，计算了其他秃鹰向最佳秃鹰位置移动的概率，其中
L
1
L_1
L1和
L
2
L_2
L2为搜索操作之前给定的参数，其值介于0和1之间，且两个参数之和为1。使用轮盘赌轮(式(2))获得选择最佳解的概率，并为每组选择每个最佳解。
p
i
=
F
i
/
∑
i
=
1
n
F
i
(2)
p_i=F_i/\sum_{i=1}^nF_i \tag{2}
pi=Fi/i=1∑nFi(2)
1.2 第二阶段：秃鹫的饥饿率
秃鹫经常在寻找食物，如果它们感到饱足的话，它们会有很高的能量，这使得它们可以走更长的距离去寻找食物，但是如果它们饿了，它们就没有足够的能量长时间飞行，在强壮的秃鹫旁边寻找食物，并且在饥饿时变得咄咄逼人。受其启发使用式(4)进行数学建模。
t
=
h
(
s
i
n
w
(
π
I
t
e
r
a
t
i
o
n
i
2
∗
m
a
x
i
t
e
r
a
t
i
o
n
s
)
+
c
o
s
(
π
I
t
e
r
a
t
i
o
n
i
2
∗
m
a
x
i
t
e
r
a
t
i
o
n
s
−
1
)
(3)
t=h(sin^w(\frac{\pi Iteration_i}{2*maxiterations})+cos(\frac{\pi Iteration_i}{2*maxiterations}-1) \tag{3}
t=h(sinw(2∗maxiterationsπIterationi)+cos(2∗maxiterationsπIterationi−1)(3)
F = ( 2 ∗ r a n d 1 + 1 ) ∗ z ∗ ( 1 − I t e r a t i o n i m a x i t e r a t i o n s ) + t (4) F=(2*rand_1+1)*z*(1-\frac{Iteration_i}{maxiterations})+t \tag{4} F=(2∗rand1+1)∗z∗(1−maxiterationsIterationi)+t(4)
其中， F F F表示秃鹫已经吃饱， I t e r a t i o n i Iteration_i Iterationi表示当前迭代次数, m a x i t e r a t i o n s maxiterations maxiterations表示最大迭代次数， z z z是介于-1到1并且每次迭代都变化的随机数， h h h是介于-2到2之间的随机数， r a n d 1 rand_1 rand1是介于0到1之间的随机数。当 z z z值降到0以下时，表示秃鹫饿了，如果 z z z值增加到0，则表示秃鹫吃饱了。秃鹫总数的比例在下降，而且随着每次重复，下降的幅度更大。当 ∣ F ∣ |F| ∣F∣的值大于1时，秃鹫在不同区域寻找食物，AVOA进入探索阶段；如果 ∣ F ∣ |F| ∣F∣的值小于1，AVOA进入开发阶段，秃鹫在最佳解的附近寻找食物。
1.3第三阶段：探索
秃鹰采用式（5）进行探索：
P
(
i
+
1
)
=
{
R
(
i
)
−
D
(
i
)
∗
F
,
i
f
P
1
≥
r
a
n
d
P
1
R
(
i
)
−
F
+
r
a
n
d
2
∗
(
(
u
b
−
l
b
)
∗
r
a
n
d
3
+
l
b
)
,
e
l
s
e
(5)
P(i+1)=\begin{cases} R(i)-D(i)*F,if \, P_1\geq rand_{P1}\\ R(i)-F+rand_2*((ub-lb)*rand_3+lb),else \end{cases}\tag{5}
P(i+1)={R(i)−D(i)∗F,ifP1≥randP1R(i)−F+rand2∗((ub−lb)∗rand3+lb),else(5)
D ( i ) = ∣ X ∗ R ( i ) − P ( i ) ∣ (6) D(i)=|X*R(i)-P(i)| \tag{6} D(i)=∣X∗R(i)−P(i)∣(6)
其中 r a n d P 1 rand_{P_1} randP1是[0,1]之间的随机数,P1为预设的探索参数，用于控制探索策略。 P ( i + 1 ) P(i+1) P(i+1)是下一次迭代中的秃鹫位置向量， F F F是当前迭代中使用式(4)获得的秃鹫饱腹率, R ( i ) R(i) R(i)是最佳秃鹫之一。 r a n d 2 rand_2 rand2和 r a n d 3 rand_3 rand3均为[0,1]之间的随机数。 l b lb lb和 u b ub ub分别为寻优的上下边界。
1.4第四阶段：开发
1.4.1 开发（第一阶段）
当值
∣
F
1
∣
|F1|
∣F1∣介于0.5和1之间时，AVOA进入开发阶段的第一阶段。在第一阶段，执行两种不同的旋转飞行和围攻策略。策略的选择根据
P
2
P_2
P2进行选择。j具体过程可以用式(7)进行表示：
P
(
i
+
1
)
=
{
{
D
(
i
)
∗
(
F
+
r
a
n
d
4
)
−
d
(
t
)
d
(
t
)
=
R
(
i
)
−
P
(
i
)
,
i
f
P
2
≥
r
a
n
d
P
2
{
S
1
=
R
(
i
)
∗
(
r
a
n
d
5
∗
P
i
2
π
)
∗
c
o
s
(
P
(
i
)
)
S
2
=
R
(
i
)
∗
(
r
a
n
d
5
∗
P
i
2
∗
π
)
∗
s
i
n
(
P
(
i
)
)
R
(
i
)
−
(
S
1
+
S
2
)
，
e
l
s
e
(7)
P(i+1)=\begin{cases} \begin{cases}D(i)*(F+rand_4)-d(t)\\d(t)=R(i)-P(i) \end{cases},if\,P_2\geq rand_{P_2}\\ \begin{cases} S_1=R(i)*(\frac{rand_5*P_i}{2\pi})*cos(P(i))\\ S_2=R(i)*(\frac{rand_5*P_i}{2*\pi})*sin(P(i))\\ R(i)-(S_1+S_2)\end{cases}，else \end{cases}\tag{7}
P(i+1)=⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧{D(i)∗(F+rand4)−d(t)d(t)=R(i)−P(i),ifP2≥randP2⎩⎪⎨⎪⎧S1=R(i)∗(2πrand5∗Pi)∗cos(P(i))S2=R(i)∗(2∗πrand5∗Pi)∗sin(P(i))R(i)−(S1+S2)，else(7)
其中
r
a
n
d
P
2
,
r
a
n
d
4
,
r
a
n
d
5
rand_{P2},rand_4,rand_5
randP2,rand4,rand5,均为[0,1]之间的随机数，
F
F
F是当前迭代中使用式(4)获得的秃鹫饱腹率,
R
(
i
)
R(i)
R(i)是最佳秃鹫之一。
1.4.2 开发（第二阶段）
如果
∣
F
∣
|F|
∣F∣小于0.5，则执行算法的此阶段。两只秃鹫的行动在食物源上聚集了几种类型的秃鹫，并展开了围攻和争夺食物的侵略斗争。不同策略依据
P
3
P_3
P3进行选择。具体过程如式（8）所示：
P
(
i
+
1
)
=
{
{
A
1
+
A
2
2
A
1
=
B
e
s
t
V
u
l
t
r
u
r
e
1
(
i
)
−
B
e
s
t
V
u
l
t
u
r
e
1
(
i
)
∗
P
(
i
)
B
e
s
t
V
u
l
t
u
r
e
1
(
i
)
−
P
(
i
)
2
∗
F
A
2
=
B
e
s
t
V
u
l
t
r
u
r
e
2
(
i
)
−
B
e
s
t
V
u
l
t
u
r
e
2
(
i
)
∗
P
(
i
)
B
e
s
t
V
u
l
t
u
r
e
2
(
i
)
−
P
(
i
)
2
∗
F
,
i
f
P
3
≥
r
a
n
d
P
3
{
R
(
i
)
−
∣
d
(
t
)
∣
∗
F
∗
L
e
v
y
(
d
)
d
(
t
)
=
R
(
i
)
−
P
(
i
)
，
e
l
s
e
(8)
P(i+1)=\begin{cases} \begin{cases}\frac{A1+A2}{2}\\A_1=BestVultrure_1(i)-\frac{BestVulture_1(i)*P(i)}{BestVulture_1(i)-P(i)^2}*F\\A2=BestVultrure_2(i)-\frac{BestVulture_2(i)*P(i)}{BestVulture_2(i)-P(i)^2}*F\end{cases},if\,P_3\geq rand_{P_3}\\ \begin{cases} R(i)-|d(t)|*F*Levy(d)\\d(t)=R(i)-P(i)\end{cases}，else \end{cases}\tag{8}
P(i+1)=⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧⎩⎪⎨⎪⎧2A1+A2A1=BestVultrure1(i)−BestVulture1(i)−P(i)2BestVulture1(i)∗P(i)∗FA2=BestVultrure2(i)−BestVulture2(i)−P(i)2BestVulture2(i)∗P(i)∗F,ifP3≥randP3{R(i)−∣d(t)∣∗F∗Levy(d)d(t)=R(i)−P(i)，else(8)
其中
B
e
s
t
V
u
l
t
u
r
e
1
(
i
)
BestVulture_1(i)
BestVulture1(i)是当前迭代中第一组的最佳秃鹫,
B
e
s
t
V
u
l
t
u
r
e
2
(
i
)
BestVulture_2(i)
BestVulture2(i)是当前迭代中第二组的最佳秃鹫，
F
F
F是秃鹫饱腹率，使用式(4)计算，
P
(
i
)
P(i)
P(i)是秃鹫的当前位置向量。
d
(
t
)
d(t)
d(t)表示秃鹫与两组中最好的秃鹫之间的距离。
算法伪代码
Algorithm 1: AVOA
1: Inputs: The population size N and maximum number of iterations T
2: Outputs: The location of Vulture and its fitness value
3: Initialize the random population P i (i = 1,2,...,N)
4: while (stopping condition is not met) do
5: Calculate the fitness values of Vulture
6: Set P BestVulture 1 as the location of Vulture (First best location Best Vulture
Category 1)
7: Set P BestVulture 2 as the location of Vulture (Second best location Best Vulture
(continued on next column)
(continued)
Algorithm 1: AVOA
Category 2)
8: for (each Vulture (P i )) do
9: Select R(i) using Eq. (1)
10: Update the F using Eq. (4)
11: if (|F| ≥ 1) then
12: Update the location Vulture using Eq. (5)
16: if (|F| < 1) then
17: if (|F| ≥ 0.5) then
18: Update the location Vulture using Eq. (7)
19: else
20: Update the location Vulture using Eq. (8)
Return P BestVulture 1
2.实验结果
3.参考文献
[1] Benyamin Abdollahzadeh, Farhad Soleimanian Gharehchopogh, Seyedali Mirjalili. African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems[J]. Computers & Industrial Engineering, 2021, 158: 107408.
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
