【群智能算法】鹈鹕优化算法 POA算法【Matlab代码#56】

天`南

已于 2024-03-13 20:38:31 修改

阅读量483

点赞数 1

分类专栏： Matlab 文章标签：算法 matlab 启发式算法人工智能鹈鹕优化算法

于 2023-08-27 23:41:05 首次发布

本文链接：https://blog.csdn.net/xiongyajun123/article/details/132529360

版权

Matlab 专栏收录该内容

92 篇文章 23 订阅

订阅专栏

文章目录

【`获取资源`请见文章第4节：资源获取】

1. 鹈鹕优化算法（POA）

Pavel等人通过模拟鹈鹕在狩猎过程中的自然行为，于2022年提出了鹈鹕优化算法(Pelican Optimization Algorithm，POA) ，在基准测试函数中展现出了极强的优化性能，较8种典型智能优化算法的性能有了明显的提升。目前，关于该算法的进一步研究，以及其在一些工程实际的应用还未有相关报道。

在POA算法中，通过模拟了鹈鹕在狩猎时的行为和策略，以此来更新候选解。该狩猎过程分为两个阶段：逼近猎物(勘探阶段) ，水面飞行(开发阶段) 。

1.1 种群初始化

首先进行进行鹈鹕种群的初始化：
$x_{ij}=l_{j}+rand(u_{j}-l_{j})\quad\quad i=1,2,···,m\tag1$
式中， $x_{ij}$ 为第 $i$ 个鹈鹕的第 $j$ 维的位置； $N$ 为鹈鹕的种群数量； $m$ 为求解问题的维度； $r an d$ 是[0,1]范围内的随机数； $u_{j}$ 和 $l_{j}$ 分别是求解 $J$ 维问题的上下边界。

1.2 勘探阶段

在初始化完成之后，鹈鹕进入勘探阶段,在解空间内随机生成猎物位置，鹈鹕向猎物的位置进行移动。其表达式如下：
$x_{ij}^{P1}=\left\{\begin{matrix}X_{ij}+rand(p_{j}-I\times x_{ij}),\quad F_{p}<F_{i} \\X_{ij}+rand(x_{ij}-p_{j}), \quad \quad\quad其他 \end{matrix}\right.\tag2$
式中， $I$ 为1或2的随机整数； $p_{j}$ 为猎物在第 $j$ 维的位置； $F_{p}$ 为猎物的目标函数值。
在POA中，如果该位置的目标函数值更好，则鹈鹕接受新位置。这个过程如下：
$X_{i}=\left\{\begin{matrix}X_{i}^{P1},\quad F_{i}^{P1}<F_{i} \\x_{i}, \quad \quad\quad其他 \end{matrix}\right.\tag3$

1.3 开发阶段

勘探阶段完成后，鹈鹕进入开发阶段，向更好的狩猎位置收敛。其达式如下：
$x_{i,j}^{P2}=x_{i,j}+R(1-\frac{t}{T} )\times (2\times rand-1)\times x_{i,j}\tag4$
式中， $R$ 为常数，取值为0.2。在开发阶段，当得到最优值更小时，按照下面式(5)进行更新。
$X_{i}=\left\{\begin{matrix}X_{i}^{P2},\quad F_{i}^{P2}<F_{i} \\x_{i}, \quad \quad\quad其他 \end{matrix}\right.\tag3$

2. 部分代码展示

%%
clc
clear
close all
%%

%%
Fun_name='F1'; % number of test functions: 'F1' to 'F23'

SearchAgents=30;                      % number of Pelicans (population members) 
Max_iterations=1000;                  % maximum number of iteration
[lowerbound,upperbound,dimension,fitness]=Get_Functions_details(Fun_name); % Object function information
[Best_score,Best_pos,POA_curve]=POA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness);  % Calculating the solution of the given problem using POA 

%%
figure('Position',[454   445   694   297]);
subplot(1,2,1);
func_plot(Fun_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Fun_name,'( x_1 , x_2 )'])

subplot(1,2,2);
semilogy(POA_curve,'Color','b','LineWidth',2)
title(Fun_name)
xlabel('Iteration');
ylabel('Best fitness function');
axis tight
legend('POA')

display(['The best solution obtained by POA for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos)]);
display(['The best optimal value of the objective funciton found by POA  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score)]);