文章目录
【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