基于levy飞行和模拟退火改进的秃鹰算法

1.秃鹰算法

基础秃鹰算法的具体原理参考，我的博客:https://blog.csdn.net/u011835903/article/details/113775430

2.改进秃鹰算法

改进 1: 秃鹰搜索优化在选择搜索空间处理复杂 计算时, 控制位置变化参数 和随机参数 易使种群 选择搜索空间解时过早收敛,陷入局部最优状态. 文 献 [14]在磷虾群算法中引入莱维飞行策略, 扩大了群 体的搜索范围,使算法能够及时跳出局部最优点, 以 改进原算法易陷入局部极值和搜索效率低的不足, 故 莱维飞行策略用于启发式群智能优化算法中效果显 著. 因此, 为增强秃鹰个体间的信息交流, 改善全局最 优化, 本文将莱维飞行策略引入秃鹰搜索优化中, 并 作用于参数 部分, 使原算法改善收敛效果, 跳出 局部最优. 引入后式(1)改为

元启发式群智能优化算法中, 求解空间的探索 开发与开采利用是两个重要过程 , 如何能够有效地 在两者间平衡转换直接决定了优化求解的能力. 在 BES 算法中, 一旦秃䧹选定好搜索空间, 完成最佳求 解空间探索开发, 便会进入搜索猎物阶段的开采利 用, 秃鹰通过独特的螺旋飞行搜索方式寻找待捕获猎 物, 这种方式增加了搜索遍历的多样化, 以进一步跳 出局部最优, 持续不断地在解空间的利用中获取有效 解. 因此, 对解空间的探索开发与开采利用过渡而言, 若能增强秃鹰的解空间局域搜索能力, 则在选定解空 间内能够跳出局部极值点, 增加获得最优解的概率, 找到最佳猎物位置, 从而解决最优化问题.
对于搜索猎物阶段的开采利用不足所做改进如下:

改进 2 : 在极坐标螺旋式搜索最优空间猎物时, 秃 鹰可探索并利用新的搜索空间解. 模拟退火具有强 大的局部搜索能力,广泛应用于工程优化. 文献 [11] 利用模拟退火对斑点瓺狗算法进行混合优化, 改善其 局部寻优能力, 平衡算法的解空间探索与利用过程, 并将混合算法用于特征选择中, 表现良好. 这表明此 算法机制可以提高解空间局部邻域的利用开采过程, 适合最优化问题的求解. 故针对 BES 算法的改进研究而言, 为提高秃鹰在既定空间内搜索猎物能力, 全 面探索并利用解空间, 将秃鹰在该阶段所得种群位置 解作为模拟退火初始解, 累次迭代寻优, 增强原算法 在局部邻域内求解精度, 找到搜索空间最优解. 其中 模拟退火可视为秃鹰搜索内优化算子, 使秃鹰能够更 精准俯冲捕获猎物, 改善全局求解质量.
基于以上关于初始搜索空间选择避免局部最优 以及搜索解空间最值改善算法开采利用寻优能力的 两处改进, 将新算法命名为 IBES(improved bald eagle search).

3.实验结果

4.参考文献

[1]贾鹤鸣,姜子超,李瑶.基于改进秃鹰搜索算法的同步优化特征选择[J/OL].控制与决策:1-9[2021-11-10].https://doi.org/10.13195/j.kzyjc.2020.1025.

5.Matlab代码

6.python代码