智能优化算法：海洋捕食者算法
文章目录
- 智能优化算法：海洋捕食者算法
- 1.算法原理
- 2.实验结果
- 3.参考文献
- 4.Matlab代码
摘要：海洋捕食者算法 ( Marine Predators Algorithm，MPA) 是Afshin Faramarzi 等人于 2020 年提出的一种新型元启发式优化算法，其灵感来源于海洋适者生存理论，即海洋捕食者通过在Lévy 游走或布朗游走之间选择最佳觅食策略。具有寻优能力强等特点。
1.算法原理
MPA 优化过程数学描述如下:
(1)初始化阶段。与大多数元启发式算法类似，MPA 随机在搜索空间范围内初始化猎物位置来启动优化过程。数学描述如下:
式中: 、
为搜索空间范围;
为［0，1］内的随机数。
(2) MPA 优化阶段。在迭代初期，当捕食者速度比猎物速度快时，基于勘探策略的 MPA 优化过程数学描述如下:
式中: 为移动步长;
为呈正态分布的布朗游走随机向量;
为由顶级捕食者构造的精英矩阵;
为与精英矩阵具有相同维数的猎物矩阵;
为逐项乘法运算符;
等于 0.5;
为［0，1]内均匀随机向量;
为种群规模;
、
在迭代中期，当捕食者与猎物速度相同时，猎物基于 Lévy游走策略负责开发;捕食者基于布朗游走策略负责勘探，并逐渐由勘探策略转向开发策略。开发和勘探的数学描述如下:
式中: 为 呈 Lévy 分 布 的 随 机 向 量;
,为控制捕食者移动步长的自适应参数;其他参数意义同上。
在迭代终期，当捕食者速度比猎物速度慢时，捕食者基于Lévy 游走采用开发策略。其数学描述如下:
式中:其他参数意义同上。
(3)FADs 效应或涡流。鱼类聚集装置(FADs)或涡流效应通常改变海洋捕食者觅食行为，这一策略能使 MPA 在寻优过程中克服早熟收敛问题，逃离局部极值。其数学描述如下:
式中:FADs为影响概率，取 0.2;为二进制向量;
为［0，1］内随机数;
、
算法流程：
步骤1：设定算法参数，初始化种群。
步骤2：计算适应度值，记录最优位置
步骤3：捕食者根据迭代阶段，从式（2）-（6)中选择对应的更新方式，更新捕食者位置
步骤4：计算适应度值，更新最优位置
步骤5：判断是否满足停止条件，如果不满足则重复步骤3-5，否则输出算法最优结果。
2.实验结果
3.参考文献
[1]胡顺强,崔东文.基于海洋捕食者算法优化的长短期记忆神经网络径流预测[J].中国农村水利水电,2021(02):78-82+90.
4.Matlab代码
算法相关应用
改进算法matlab代码
名称 | 说明或者参考文献 |
多子群改进的海洋捕食者算法(MSMPA) | [1]张磊,刘升,高文欣,郭雨鑫.多子群改进的海洋捕食者算法[J/OL].微电子学与计算机:1-9[2021-11-01].https://doi.org/10.19304/J.ISSN1000-7180.2021.0062. |
融合混沌对立和分组学习的海洋捕食者算法(MSIMAP) | [1]马驰,曾国辉,黄勃,刘瑾.融合混沌对立和分组学习的海洋捕食者算法[J/OL].计算机工程与应用:1-14[2021-11-02].http://kns.cnki.net/kcms/detail/11.2127.TP.20210730.1554.011.html. |