智能优化算法：北方苍鹰优化算法
文章目录
1.北方苍鹰优化算法简介
北方苍鹰优化算法(Northern Goshawk Optimization，NGO)是2022年由MOHAMMAD DEHGHANI等人提出的，该算法模拟了北方苍鹰在捕猎过程中的行为，具体包括猎物识别与攻击、追逐及逃生等行为。
2.北方苍鹰优化算法基本原理
2.1灵感来源和北方苍鹰的行为
北方苍鹰是鹰科的一个中大型猛禽，它首次被现在的学名，即苍鹰加以描述是林奈于1978年在他的自然系统中完成的。北方苍鹰是鹰属的一员，它捕猎各种猎物，包括小型和大型的鸟类以及其他鸟类，小型哺乳动物如老鼠、兔子、松鼠，甚至于狐狸和浣熊等动物。北方苍鹰是鹰属中唯一分布在欧亚大陆和北美的成员。雄性比雌性稍大一些。雄性的体长为46-61厘米，两翼之间的距离为89-105厘米，重约780克。然而，雌性物种长58-69厘米，体重1220克，两个翅膀之间的距离估计为108-127厘米。北方苍鹰的捕猎策略包括两个阶段：在第一阶段，在识别出猎物后，它以高速向猎物移动攻击；在第二阶段，在追逐猎取猎物。
2.2算法的数学模型
在北方苍鹰优化算法中，北方苍鹰捕猎过程分为两个阶段：猎物识别与攻击（勘探阶段），追逐及逃生（开发阶段）。
2.2.1 初始化
在北方苍鹰优化算法中，北方苍鹰种群可以用以下种群矩阵表示：
式中：为北方苍鹰的种群矩阵；
为第i个北方苍鹰的位置；为
第i个北方苍鹰的第j维的位置；N为北方苍鹰的种群数量；m为求解问题的维度。
在北方苍鹰优化算法中，求解问题的目标函数可以用来计算北方苍鹰的目标函数值；北方苍鹰种群的目标函数值可以用目标函数值向量表示：
式中：为北 方苍鹰种群的目标函数向量；
为第i个北方苍鹰的目标函数值。
2.2.2 第一阶段：猎物识别（勘探阶段）
北方苍鹰在捕猎的第一阶段，随机选择一个猎物，然后迅速攻击它。由于在搜索空间中对猎物的选择是随机的，因此这一阶段增加了NGO算法的勘探能力。这个阶段对搜索空间进行全局搜索，目的是确定最优区域。在这一阶段，北方苍鹰进行猎物选择和攻击的行为，用公式（3）~（5）描述：
式中：为第i个北方苍鹰的猎物的位置；
为第i个北方苍鹰的猎物的位置的目标函数值；k是[1,N]范围内的随机整数；
为第i个北方苍鹰的新位置；
为第i个北方苍鹰的第j维的新位置；
为基于第1阶段更新后第i个北方苍鹰的目标函数值；r是[0,1]范围内的随机数；
为1或2的随机整数。
2.2.3 第二阶段：追逐及逃生（开发阶段）
在北方苍鹰攻击猎物后，猎物会试图逃跑。因此，在追逐猎物的收尾过程中，北方的苍鹰需要继续追逐猎物。由于北方苍鹰的追击速度很高，它们几乎可以在任何情况下追逐猎物，并最终捕获猎物。这种行为的模拟提高了算法对搜索空间的局部搜索能力。假设这种狩猎活动接近于一个半径为R的攻击位置。在第二阶段中，用公式（6）~（8）描述：
式中：t为当前迭代次数；T为最大迭代次数；为第i个北方苍鹰的新位置；
为第i个北方苍鹰的第j维的新位置；
为基于第2阶段更新后第i个鹈鹕的第j维的位置；
为基于第2阶段更新后第i个北方苍鹰的目标函数值。
算法伪代码如下：
3.实验结果
4.参考文献
[1] Hank P , Hamburg. PeliCAN: A New CAN Controller Supporting Diagnosis and System Optimization.
5.Matlab代码
文章出处登录后可见！
