首页 > 编程语言 >智能优化算法:海洋捕食者算法

智能优化算法:海洋捕食者算法

时间:2023-05-04 13:05:08浏览次数:44  
标签:捕食者 MPA 海洋 智能 算法 游走 优化


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:
智能优化算法:海洋捕食者算法_神经网络
式中:智能优化算法:海洋捕食者算法_算法_02智能优化算法:海洋捕食者算法_神经网络_03 为搜索空间范围;智能优化算法:海洋捕食者算法_机器学习_04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:
智能优化算法:海洋捕食者算法_算法_05
式中:智能优化算法:海洋捕食者算法_算法_06 为移动步长;智能优化算法:海洋捕食者算法_机器学习_07 为呈正态分布的布朗游走随机向量;智能优化算法:海洋捕食者算法_搜索空间_08 为由顶级捕食者构造的精英矩阵;智能优化算法:海洋捕食者算法_搜索空间_09为与精英矩阵具有相同维数的猎物矩阵;智能优化算法:海洋捕食者算法_算法_10为逐项乘法运算符;智能优化算法:海洋捕食者算法_优化算法_11等于 0.5;智能优化算法:海洋捕食者算法_神经网络_12为[0,1]内均匀随机向量;智能优化算法:海洋捕食者算法_神经网络_13 为种群规模;智能优化算法:海洋捕食者算法_优化算法_14智能优化算法:海洋捕食者算法_算法_15

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:
智能优化算法:海洋捕食者算法_算法_16

智能优化算法:海洋捕食者算法_算法_17

式中:智能优化算法:海洋捕食者算法_神经网络_18 为 呈 Lévy 分 布 的 随 机 向 量;智能优化算法:海洋捕食者算法_机器学习_19,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:
智能优化算法:海洋捕食者算法_优化算法_20
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:
智能优化算法:海洋捕食者算法_搜索空间_21
式中:FADs为影响概率,取 0.2;智能优化算法:海洋捕食者算法_机器学习_22为二进制向量;智能优化算法:海洋捕食者算法_机器学习_23 为[0,1]内随机数;智能优化算法:海洋捕食者算法_优化算法_24智能优化算法:海洋捕食者算法_机器学习_25

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

智能优化算法:海洋捕食者算法_神经网络_26

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.



标签:捕食者,MPA,海洋,智能,算法,游走,优化
From: https://blog.51cto.com/u_16095618/6242626

相关文章

  • 基于反向策略的麻雀搜索算法 -附代码
    基于反向学习策略的麻雀搜索算法文章目录基于反向学习策略的麻雀搜索算法1.反向学习策略2.基于反向学习策略的麻雀搜索算法3.算法结果:4.Matlab代码5.python代码1.反向学习策略反向学习策略是由Tizhoosh于2005年提出的,目前已在GA、DE、ACO和BBO等群体智能优化算法中得到了......
  • 基于麻雀算法改进的DELM预测-附代码
    麻雀算法改进的深度极限学习机DELM的回归预测文章目录麻雀算法改进的深度极限学习机DELM的回归预测1.ELM原理2.深度极限学习机(DELM)原理3.麻雀算法4.麻雀算法改进DELM5.实验结果6.参考文献7.Matlab代码1.ELM原理自动编码器AE(AutoEncoder)经过训练可以将输入复制到输出。因为不需......
  • 智能优化算法:龙格-库塔优化算法 - 附代码
    智能优化算法:龙格-库塔优化算法文章目录智能优化算法:龙格-库塔优化算法1.算法原理1.1搜索机制1.2位置更新1.3解质量增强(ESQ)2.实验结果3.参考文献4.Matlab代码摘要:龙格-库塔优化算法(RungeKuttaoptimizer,RUN)是于2021年提出的一种新型智能优化算法,该算法基于龙格-库塔方法中提......
  • 基于麻雀算法优化的相关向量机RVM回归预测算法
    基于麻雀算法优化的相关向量机RVM回归预测算法文章目录基于麻雀算法优化的相关向量机RVM回归预测算法1.RVM原理2.基于麻雀算法优化的相关向量机RVM3.算法实验与结果3.参考文献:4.MATLAB代码摘要:本文主要介绍相关向量机RVM的基本原理,以及在预测问题中的应用。1.RVM原理RVM算法是......
  • 基于麻雀算法优化的核极限学习机(KELM)分类算法 - 附代码
    基于麻雀算法优化的核极限学习机(KELM)分类算法文章目录基于麻雀算法优化的核极限学习机(KELM)分类算法1.KELM理论基础2.分类问题3.基于麻雀搜索算法优化的KELM4.测试结果5.Matlab代码摘要:本文利用麻雀搜索算法对核极限学习机(KELM)进行优化,并用于分类1.KELM理论基础核极限学习......
  • 智能优化算法:JAYA优化算法 -附代码
    智能优化算法:JAYA优化算法文章目录智能优化算法:JAYA优化算法1.算法原理2.实验结果3.参考文献4.Matlab代码5.Python代码摘要:JAYA算法是于2016年提出的一种简单高效的新型优化算法,具有收敛快寻优强的特点。1.算法原理传统Jaya算法是Rao等提出的一种元启发式算法,它基于持续改进......
  • 基于Stanley算法+预瞄距离自适应的CarSim与Simulink联合仿真模型
    基于Stanley算法+预瞄距离自适应的CarSim与Simulink联合仿真模型提供全套模型文件:(1)Carsim参数配置文件cpar,导入即可运行(2)simulink模型文件,模型见上图(3)提供详细参考资料ID:8120673726423133......
  • 激光SLAM之多传感器融合定位 , 工程化落地项目,涉及激光雷达+imu等多传感器融合定位,不仅
    激光SLAM之多传感器融合定位,工程化落地项目,涉及激光雷达+imu等多传感器融合定位,不仅仅是算法逻辑,里面还增加了工程应用角度的代码优化,配置解析文档也非常完整。该商品与本人发布的“激光SLAM之激光雷达+IMU建图”是可以组合使用的。该项目价格会比其他项目高的原因主要是在......
  • carsim与simulink联合仿真(6)——轨迹跟随,车道保持,横向控制,多点预瞄算法
    carsim与simulink联合仿真(6)——轨迹跟随,车道保持,横向控制,多点预瞄算法提供carsim的cpar文件导入即可使用提供simulink的mdl模型文件支持自己修改提供模型说明文件ID:6825666869079044......
  • 基于Stanley算法轨迹跟随,横向控制,车道保持的CarSim与Simulink联合仿真模型
    基于Stanley算法轨迹跟随,横向控制,车道保持的CarSim与Simulink联合仿真模型提供全套模型文件:(1)Carsim参数配置文件cpar,导入即可运行(2)simulink模型文件,模型见上图(3)提供详细参考资料ID:8912672692944049......