野马优化算法（WHO）

最新推荐文章于 2024-03-26 12:46:09 发布

昨日与你1

最新推荐文章于 2024-03-26 12:46:09 发布

阅读量709

点赞数 1

文章标签：算法

本文链接：https://blog.csdn.net/weixin_63199521/article/details/130811295

版权

#野马优化算法（WHO）

一、理论基础

野马优化算法（Wild Horse Optimizer,WHO）是于2021年提出的一种新型智能优化算法，该算法灵感来源于野马的生活行为。具有寻优能力强，搜索精度高等特点。

1.1 放牧行为

小马驹通常大部分时间都在群中吃草。为了实施放牧行为，我们认为种马是放牧区的中心，群成员围绕着中心（放牧）搜索。我们提出了公式（1）来模拟放牧行为。等式（1）使小组成员以不同半径移动并搜索领队。
$\mathop {X_{i,G}^j}\limits^ - = 2Zcos(2\pi RZ) \times (Stallio{n^j} - X_{i,G}^j) + Stallio{n^j}$
其中 $X_{i,G}^j$ 是当前位置， $Stallio{n^j}$ 是野马中领导者的位置，Z 是由下式计算的自适应结构，R是[−2,2]范围内的均匀随机数.
$\overrightarrow {{R_1}} < TDR;IDX = (P = = 0)$ ${R_2} \otimes IDX + \overrightarrow {{R_3}} \otimes ( \sim IDX)$
其中P是由0和1组成的向量,R1,R3均为[0,1]范围内均匀分布的随机向量,R2为[0,1]内一随机值,IDX是满足条件(P==0)的向量$\overrightarrow {{R_1}} $的索引值，TDR是随着迭代次数增加从1逐渐减小至0的自适应参数。
$\times ({1 \over {\max iter}})$

1.2 野马的交配行为

$X_{G,K}^P = Crossover(X_{G,i}^q,X_{G,i}^z)i \ne j \ne k,p = q = end$ $C rosso v er = M e an$
其中， $X_{G,K}^P$ 表示种群k中个体p离群后再次进入种群k的个体位置， $X_{G,i}^q$ 示种群k中个体p离群后再次进入种群q的个体位置， $X_{G,i}^z$ 表示种群j中个体z离群后再次进入种群q的个体位置。所以很明显，后面括号里的两个位置即为其父母的位置。

1.3 团队领导

领导者主要带领成员前往更合适的栖息地，如果当前组占主导地位，那么就使用这个地区；如果另一个小组占主导地位，他们必须离开该地。使用式(5)来表示该操作。
在这里插入图片描述
式中 $Stallio{n_{Gi}}$ 是当前位置，WH是栖息地位置

1.4 领导者的选拔

随机选择领导者保持算法的随机性。在算法后期根据适应度值选择领导者
在这里插入图片描述

二、仿真实验

在这里插入图片描述

三、参考文献

[1] Naruei, I., Keynia, F. Wild horse optimizer: a new meta-heuristic algorithm for solving engineering optimization problems. Engineering with Computers 38 (Suppl 4), 3025–3056 (2022).