【群智能算法】蜣螂优化算法 DBO算法【Python代码#3】

---

【可更换其他算法，获取资源请见文章第4节：资源获取】

---

1. 蜣螂优化算法DBO的数学模型介绍

1.1 滚球行为

蜣螂在整个搜索空间沿着光源的方向移动，在滚动过程中，按照如下的对滚球屎壳郎的位置进行更新：

其中，t代表当前迭代数，xi表示第i个蜣螂的位置信息；k代表一个常数，表示为偏转系数；α∈(0,1）是一个随机数；a 是一个自然系数，为-1或1；Xw是全局最差位置。

1.2 跳舞行为

当蜣螂遇到障碍物时，它会通过跳舞来重新定向，主要思想是通过正切函数来进行：

tan(θ) 为偏转系角。

1.3 繁殖行为

作者采用一种边界选择策略模型雌性蜣螂产卵的地方，定义如下：

X*为当前最佳位置；Lb表示下界，Ub表示上界。

在迭代过程中，卵球的位置是动态变化的，定义如下：

Bi表示为卵球的位置，b1和b2为1×D 的随机向量。

此外，一些成年蜣螂会从地下钻出来寻找食物，下面公式模拟了蜣螂的觅食过程：

Xb为全局最佳位置，Lbb和Ubb分别表示最佳觅食区域的上下界。
故成年蜣螂的位置更新公式为：

C1是服从正态分布的随机数；C2∈(0,1）是一个随机向量。

1.4 偷窃行为

部分蜣螂会从其他蜣螂那里偷粪球，假定Xb是争夺食物的最佳地点，因此具有偷盗行为的蜣螂位置更新描述如下：

g是服从均值为0，方差为1的正态分布的随机向量；S为一个常数。

2. 部分代码展示

import numpy as np
import DBO as fun1
import sys
import matplotlib.pyplot as plt


def main(argv):

    SearchAgents_no = 30
    Function_name = 'F1'
    Max_iteration = 500

    [fobj, lb, ub, dim] = fun1.Parameters(Function_name)
    [fMin, bestX, DBO_curve] = fun1.DBO(SearchAgents_no, Max_iteration, lb, ub, dim, fobj)
    print(['最优值为：', fMin])
    print(['最优变量为：', bestX])
    thr1 = np.arange(len(DBO_curve[0, :]))

    plt.plot(thr1, np.log(DBO_curve[0, :]))
    plt.xlabel('Iteration')
    plt.ylabel('Best score obtained so far')
    plt.title('Objective space')
    plt.show()

if __name__ == '__main__':
    main(sys.argv)

3. 仿真结果展示

4. 资源获取

可以获取完整代码资源。👇👇👇👀名片