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!