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. |