智能优化算法：北方苍鹰优化算法-附代码

智能优化算法：北方苍鹰优化算法

1.北方苍鹰优化算法简介

北方苍鹰优化算法(Northern Goshawk Optimization，NGO)是2022年由MOHAMMAD DEHGHANI等人提出的，该算法模拟了北方苍鹰在捕猎过程中的行为，具体包括猎物识别与攻击、追逐及逃生等行为。

2.北方苍鹰优化算法基本原理

2.1灵感来源和北方苍鹰的行为

北方苍鹰是鹰科的一个中大型猛禽，它首次被现在的学名，即苍鹰加以描述是林奈于1978年在他的自然系统中完成的。北方苍鹰是鹰属的一员，它捕猎各种猎物，包括小型和大型的鸟类以及其他鸟类，小型哺乳动物如老鼠、兔子、松鼠，甚至于狐狸和浣熊等动物。北方苍鹰是鹰属中唯一分布在欧亚大陆和北美的成员。雄性比雌性稍大一些。雄性的体长为46-61厘米，两翼之间的距离为89-105厘米，重约780克。然而，雌性物种长58-69厘米，体重1220克，两个翅膀之间的距离估计为108-127厘米。北方苍鹰的捕猎策略包括两个阶段：在第一阶段，在识别出猎物后，它以高速向猎物移动攻击；在第二阶段，在追逐猎取猎物。

2.2算法的数学模型

在北方苍鹰优化算法中，北方苍鹰捕猎过程分为两个阶段：猎物识别与攻击（勘探阶段），追逐及逃生（开发阶段）。

2.2.1 初始化

在北方苍鹰优化算法中，北方苍鹰种群可以用以下种群矩阵表示：
$$X={\left[\begin{array}{c}{X}_1\\ ⋮\\ X_i\\ ⋮\\ X_N\end{array}\right]}_{N\times m}={\left[\begin{array}{ccccc}{x}_{1,1}& \cdots & x_{1,j}& \cdots & x_{1,m}\\ ⋮& \ddots & ⋮& & ⋮\\ x_{i,1}& \cdots & x_{i,j}& \cdots & x_{i,m}\\ ⋮& & ⋮& \ddots & ⋮\\ x_{N,1}& \cdots & x_{N,j}& \cdots & x_{N,m}\end{array}\right]}_{N\times m}\text{\hspace{1em}(1)}$$
式中：$X$为北方苍鹰的种群矩阵；$X_i$为第i个北方苍鹰的位置；为$x_{i,j}$第i个北方苍鹰的第j维的位置；N为北方苍鹰的种群数量；m为求解问题的维度。

在北方苍鹰优化算法中，求解问题的目标函数可以用来计算北方苍鹰的目标函数值；北方苍鹰种群的目标函数值可以用目标函数值向量表示：
$$F={\left[\begin{array}{c}{F}_1\\ ⋮\\ F_i\\ ⋮\\ F_N\end{array}\right]}_{N\times 1}={\left[\begin{array}{c}F\left(X_1\right)\\ ⋮\\ F\left(X_i\right)\\ ⋮\\ F\left(X_N\right)\end{array}\right]}_{N\times 1}\text{\hspace{1em}(2)}$$
式中：$F$为北 方苍鹰种群的目标函数向量；$F_i$为第i个北方苍鹰的目标函数值。

2.2.2 第一阶段：猎物识别（勘探阶段）

北方苍鹰在捕猎的第一阶段，随机选择一个猎物，然后迅速攻击它。由于在搜索空间中对猎物的选择是随机的，因此这一阶段增加了NGO算法的勘探能力。这个阶段对搜索空间进行全局搜索，目的是确定最优区域。在这一阶段，北方苍鹰进行猎物选择和攻击的行为，用公式（3）~（5）描述：
$$P_i=X_k,i=1,2,\dots ,N,k=1,2,\dots ,i-1,i+1,\dots ,N\text{\hspace{1em}(3)}$$

$$x_{i,j}^{new,P1}=\{\begin{array}{ll}{x}_{i,j}+r\left(p_{i,j}-I{x}_{i,j}\right),& F_{P_i}<F_i\\ x_{i,j}+r\left(x_{i,j}-p_{i,j}\right),& F_{P_i}\ge F_i\end{array}.\text{\hspace{1em}(4)}$$

$$X_i=\{\begin{array}{ll}{X}_i^{new,P1},& F_i^{new,P1}<F_i\\ X_i,& F_i^{new,P1}\ge F_i\end{array}\text{\hspace{1em}(5)}$$

式中：$P_i$为第i个北方苍鹰的猎物的位置；$F_{Pi}$为第i个北方苍鹰的猎物的位置的目标函数值；k是[1,N]范围内的随机整数；$X_i^{new,P1}$为第i个北方苍鹰的新位置；$x_{i,j}^{new,P1}$为第i个北方苍鹰的第j维的新位置；$F_i^{new,P1}$为基于第1阶段更新后第i个北方苍鹰的目标函数值；r是[0,1]范围内的随机数；$I$为1或2的随机整数。

2.2.3 第二阶段：追逐及逃生（开发阶段）

在北方苍鹰攻击猎物后，猎物会试图逃跑。因此，在追逐猎物的收尾过程中，北方的苍鹰需要继续追逐猎物。由于北方苍鹰的追击速度很高，它们几乎可以在任何情况下追逐猎物，并最终捕获猎物。这种行为的模拟提高了算法对搜索空间的局部搜索能力。假设这种狩猎活动接近于一个半径为R的攻击位置。在第二阶段中，用公式（6）~（8）描述：
$$x_{i,j}^{new,P2}=x_{i,j}+R(2r-1)x_{i,j}\text{\hspace{1em}(6)}$$

$$R=0.02\left(1-\frac{t}{T}\right)\text{\hspace{1em}(7)}$$

$$X_i=\{\begin{array}{ll}{X}_i^{new,P2},& F_i^{new,P2}<F_i\\ X_i,& F_i^{new,P2}\ge F_i\end{array}.\text{\hspace{1em}(8)}$$

式中：t为当前迭代次数；T为最大迭代次数；$X_i^{new,P2}$为第i个北方苍鹰的新位置；$x_{i,j}^{new,P2}$为第i个北方苍鹰的第j维的新位置；$x_{i,j}^{P_2}$为基于第2阶段更新后第i个鹈鹕的第j维的位置；$F_i^{new,P2}$为基于第2阶段更新后第i个北方苍鹰的目标函数值。

算法伪代码如下：

3.实验结果

4.参考文献

[1] Hank P , Hamburg. PeliCAN: A New CAN Controller Supporting Diagnosis and System Optimization.

5.Matlab代码