智能优化算法：北方苍鹰优化算法-附代码

智能算法研学社（Jack旭）

已于 2024-07-17 15:52:31 修改

阅读量1.3w

点赞数 8

分类专栏：智能优化算法文章标签：算法机器学习人工智能

于 2022-05-02 12:26:07 首次发布

本文链接：https://blog.csdn.net/u011835903/article/details/124539198

版权

智能优化算法专栏收录该内容

154 篇文章

订阅专栏

智能优化算法：北方苍鹰优化算法

文章目录

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：
$X=\left[\begin{array}{c} X_{1} \\ \vdots \\ X_{i} \\ \vdots \\ X_{N} \end{array}\right]_{N \times m}=\left[\begin{array}{ccccc} x_{1,1} & \cdots & x_{1, j} & \cdots & x_{1, m} \\ \vdots & \ddots & \vdots & & \vdots \\ x_{i, 1} & \cdots & x_{i, j} & \cdots & x_{i, m} \\ \vdots & & \vdots & \ddots & \vdots \\ x_{N, 1} & \cdots & x_{N, j} & \cdots & x_{N, m} \end{array}\right]_{N \times m} \tag{1}$
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：
$F=\left[\begin{array}{c} F_{1} \\ \vdots \\ F_{i} \\ \vdots \\ F_{N} \end{array}\right]_{N \times 1}=\left[\begin{array}{c} F\left(X_{1}\right) \\ \vdots \\ F\left(X_{i}\right) \\ \vdots \\ F\left(X_{N}\right) \end{array}\right]_{N \times 1} \tag{2}$
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：
${P_i} = {X_k},i = 1,2, \ldots ,N,k = 1,2, \ldots ,i - 1,i + 1, \ldots ,N \tag{3}$

$x_{i,j}^{new,P1} = {\begin{cases}{}{{x_{i,j}} + r\left( {{p_{i,j}} - I{x_{i,j}}} \right),}&{{F_{{P_i}}} < {F_i}}\\{{x_{i,j}} + r\left( {{x_{i,j}} - {p_{i,j}}} \right),}&{{F_{{P_i}}} \ge {F_i}}\end{cases}} . \tag{4}$

${X_i} = {\begin{cases}{} {X_i^{new,P1},}&{F_i^{new,P1} < {F_i}}\\ {{X_i},}&{F_i^{new,P1} \ge {F_i}} \end{cases}} \tag{5}$

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：
$x_{i,j}^{new,P2} = {x_{i,j}} + R(2r - 1){x_{i,j}} \tag{6}$

$0.02\left( {1 - \frac{t}{T}} \right) \tag{7}$

${X_i} = \begin{cases}{} {X_i^{new,P2},}&{F_i^{new,P2} < {F_i}}\\ {{X_i},}&{F_i^{new,P2} \ge {F_i}} \end{cases}. \tag{8}$

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个北方苍鹰的第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。