2025最新优化算法：百慕大三角优化器

注：该算法已按照智能优化算法APP标准格式进行整改，可直接集成到APP中，方便大家与自己的算法进行对比。

百慕大三角优化器（Bermuda Triangle Optimizer ，BTO）是受到百慕大吸引力的启发，百慕大地区许多飞机和船只在该区域神秘失踪。这个吸引力区域大致由佛罗里达州、百慕大和波多黎各所界定，形成一个三角形，任何物体都会被吸引到三角形的中心，基于这一理论，这个区域中心可以视为最佳解。

该成果于2025年最新发表在计算机领域期刊

International Journal of Advances in Soft Computing and its Applications上。

百慕大三角是当下时代最持久且最迷人的谜团之一。许多船只和飞机据报在百慕大三角地区神秘消失，这个区域常被称为“魔鬼三角”，位于“北大西洋（NAO）”的西部。百慕大三角的边界一般由波多黎各圣胡安、佛罗里达迈阿密和百慕大这三点所界定。百慕大三角的示意图如下。

1.算法原理

基于爱因斯坦的黑洞引力理论和具有吸引力的物体特性，以下方程可以用作百慕大三角引力模型的描述：

其中，CUG为万有引力常数，值为  ；  为产生引力场的百慕大中心质量，取随机值；  为受 影响的物体质量，取随机值；  为 与  之间的距离，取随机值。

根据科学家的研究，百慕大三角力场区域的面积大约在 500,000 至 1,510,000 平方英里之间。该区域的系数可以通过以下公式计算：

其中，   是百慕大力场的最小面积，取值为 50 万平方英里。算法中会对该值取对数进行规范化；   是第   次迭代时的计数器值；   是百慕大力场的最大面积，取值为 1,510,000 平方英里，也同样对其取对数进行规范化；   是最大迭代次数。

百慕大力场的概率比可以通过以下公式进行计算。数学中，   值表示零假设为真的概率。

其中，   是第   次迭代时的计数器值；   是最大迭代次数；   是百慕大三角的引力。

对于任何物体在百慕大三角区域内或外的存在概率，随机值可以大于0.5或小于0.5。如果随机值大于0.5，算法的理论将应用减法操作，意味着存在强大的吸引力，此时可以基于百慕大三角的面积进行公式化，如下图所示。如果物体位于百慕大三角内，它已受到了强大的吸引力。

在以下公式中，   是  ，即假设为真的概率。另一方面，如果物体的存在概率小于 0.5，则算法的理论将应用加法操作，这意味着吸引力较小。这可以通过百慕大三角区域和周围区域（黄色圆圈区域）之间的差值来计算，如图所示。基于这一点，物体将根据公式朝着最优解移动。

其中LB 和 UB分别是问题搜索空间的下界和上界；ZoneBF为百慕大力场区域；PoF为百慕大力场的概率比率；Best(xj)表示已达到的最佳值；Acc加速器函数，可以通过以下公式计算，用于加速海洋流动。

其中r是随机值; e是指数值。

Trianglearea是百慕大区域，具有强大的吸引力。该区域可以通过以下公式进行计算。该区域在图中以黑色虚线三角形表示。

其中r1是一个随机值，代表三角形的底边；r2是一个随机值，代表三角形的高度。

Circlearea为百慕大包围的面积，其吸引力较小，可以通过以下公式表示。这个区域在图中用黄色圆圈表示。

其中，r是随机值，其为圆的半径。

BTO使用了Levy和混沌方法来模拟被吸引物体向百慕大中心的精确移动，这些物体主要受到海潮和百慕大力场的影响，沿不规则路径移动。Levy方法在以下公式中建模，用于在初始化步骤中生成各种不同的值。

百慕大三角优化器（BTO）的完整过程如下。

2.结果展示

老规矩，采用作者独创的智能优化算法APP轻松对比一下本期的BTO算法。

随机选个函数集，就选23个经典函数集吧！

轻松与经典算法（GA,PSO）比较。

F1函数：

F3函数：

F5函数:

F12函数:

3.MATLAB核心代码

function [Best_FF,Best_P,Conv_curve]=BTO(N,M_Iter,LB,UB,Dim,F_obj)Best_P=zeros(1,Dim);Best_FF=inf;Conv_curve=zeros(1,M_Iter);%Initialize the solutions (attracted objects)X=initialization(N,Dim,UB,LB);Xnew=X;Ffun=zeros(1,size(X,1));% (fitness values)Ffun_new=zeros(1,size(Xnew,1));% (fitness values)PoF_Max=log(1510000); %Bermuda max areaPoF_Min=log(500000); % Bermuda min area C_Iter=1;g= 6.67*10^-11;  %(constant of universal gravitation)   G=(log10((1-g)*rand(1,1)+1));   distance = rand();
force=(G*rand()*rand())/(distance^2);  %force lows Eq.(22)triangle_area = 0.5*rand()*rand(); % Eq.(26)Circle_area = (3.14*rand()*rand())-triangle_area; %Eq.(27)
for i=1:size(X,1)    Ffun(1,i)=F_obj(X(i,:));  %Calculate the fitness values of attracted objects (solutions)    if Ffun(1,i)<Best_FF        Best_FF=Ffun(1,i);        Best_P=X(i,:);    endend

while C_Iter<M_Iter+1  %Main loop    %The p-value is the probability that the null hypothesis is true. (1 – the p-value) is the probability that the alternative hypothesis is true.   PoF=1-((C_Iter)^(1/force)/(M_Iter)^(1/force));   % The probability ratio of Bermuda force Eq.(24)
    Zone_Bermuda=PoF_Min+C_Iter*(abs(PoF_Max-PoF_Min)/M_Iter); %The zone of Bermuda force Eq.(23)
    %Update the Position of attracted objects (Solutions)    for i=1:size(X,1)   %  UB and LB has a just value         for j=1:size(X,2)

              m=chaos(5,1,1); %Choas equations 
             r1=rand();            if (size(LB,2)==1 )                if r1>0.5       %Eq.(28)                    %The object inside bermuda, it already has massive attraction force.                     %PoF = (1 – the p-value) is the probability that the alternative hypothesis is true.                    %If the probability of force is p, then the probability                    %of no force is (1 – the p-value), that is why we use  subtraction operation in Eq.(28) section 1 
                        Xnew(i,j)=m*triangle_area*(rand()*2.7^(-20*(C_Iter/M_Iter))*(Best_P(1,j)-PoF*((UB-LB)*Zone_Bermuda+LB)));                else                    % The object is outside Bermuda, so we need more                    % attraction force to pull it inside Bermuda triangle 

                        Xnew(i,j)=m*Circle_area*(rand()*2.7^(-20*(C_Iter/M_Iter))*(Best_P(1,j)+PoF*((UB-LB)*Zone_Bermuda+LB)));
                end                              end

           if (size(LB,2)~=1)   % if each of the UB and LB has more than one value                 r1=rand();                if r1>0.5   %Eq(28)
                        Xnew(i,j)=m*triangle_area*(rand()*2.7^(-20*(C_Iter/M_Iter))*(Best_P(1,j)-PoF*((UB(j)-LB(j))*Zone_Bermuda+LB(j))));                    else                        Xnew(i,j)=m*Circle_area*(rand()*2.7^(-20*(C_Iter/M_Iter))*(Best_P(1,j)+PoF*((UB(j)-LB(j))*Zone_Bermuda+LB(j))));
                end                            end
        end
        Flag_UB=Xnew(i,:)>UB; % exceed (up) the boundaries        Flag_LB=Xnew(i,:)<LB; % exceed (down) the boundaries        Xnew(i,:)=(Xnew(i,:).*(~(Flag_UB+Flag_LB)))+UB.*Flag_UB+LB.*Flag_LB;
        Ffun_new(1,i)=F_obj(Xnew(i,:));  % calculate Fitness function         if Ffun_new(1,i)<Ffun(1,i)            X(i,:)=Xnew(i,:);            Ffun(1,i)=Ffun_new(1,i);        end        if Ffun(1,i)<Best_FF        Best_FF=Ffun(1,i);        Best_P=X(i,:);        end
    end
    %Update the convergence curve    Conv_curve(C_Iter)=Best_FF;
    %Print the best solution details after every 50 iterations    if mod(C_Iter,50)==0        display(['At iteration ', num2str(C_Iter), ' the best solution fitness is ', num2str(Best_FF)]);    end
    C_Iter=C_Iter+1;  % incremental iteration
endendfunction O=chaos(index,max_iter,Value)O=zeros(1,max_iter);x(1)=0.7;switch index%Chebyshev map    case 1for i=1:max_iter    x(i+1)=cos(i*acos(x(i)));    G(i)=((x(i)+1)*Value)/2;end    case 2%Circle mapa=0.5;b=0.2;for i=1:max_iter    x(i+1)=mod(x(i)+b-(a/(2*pi))*sin(2*pi*x(i)),1);    G(i)=x(i)*Value;end    case 3%Gauss/mouse mapfor i=1:max_iter    if x(i)==0        x(i+1)=0;    else        x(i+1)=mod(1/x(i),1);    end    G(i)=x(i)*Value;end    case 4%Iterative mapa=0.7;for i=1:max_iter    x(i+1)=sin((a*pi)/x(i));    G(i)=((x(i)+1)*Value)/2;end    case 5%Logistic mapa=4;for i=1:max_iter    x(i+1)=a*x(i)*(1-x(i));    G(i)=x(i)*Value;end    case 6%Piecewise mapP=0.4;for i=1:max_iter    if x(i)>=0 && x(i)<P        x(i+1)=x(i)/P;    end    if x(i)>=P && x(i)<0.5        x(i+1)=(x(i)-P)/(0.5-P);    end    if x(i)>=0.5 && x(i)<1-P        x(i+1)=(1-P-x(i))/(0.5-P);    end    if x(i)>=1-P && x(i)<1        x(i+1)=(1-x(i))/P;    end        G(i)=x(i)*Value;end    case 7%Sine mapfor i=1:max_iter     x(i+1) = sin(pi*x(i));     G(i)=(x(i))*Value; end    case 8 %Singer map  u=1.07; for i=1:max_iter     x(i+1) = u*(7.86*x(i)-23.31*(x(i)^2)+28.75*(x(i)^3)-13.302875*(x(i)^4));     G(i)=(x(i))*Value; end    case 9%Sinusoidal map for i=1:max_iter     x(i+1) = 2.3*x(i)^2*sin(pi*x(i));     G(i)=(x(i))*Value; end
    case 10 %Tent map x(1)=0.6; for i=1:max_iter     if x(i)<0.7         x(i+1)=x(i)/0.7;     end     if x(i)>=0.7         x(i+1)=(10/3)*(1-x(i));     end     G(i)=(x(i))*Value; endendO=G;end

4.参考文献

参考文献 ：Shehadeh H A. Bermuda Triangle Optimizer (BTO): A Novel Metaheuristic Method for Global Optimization[J]. Int. J. Advance Soft Compu. Appl, 2025, 17(2).

本期算法代码获取

后台回复关键词：

TGDM840

---

获取更多代码：

或者复制链接跳转：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu