瞪羚优化算法(Gazelle Optimization Algorithm,GOA)
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效。
瞪羚的身高60-110厘米,体重13-29千克。该属物种有像小鹿一样的浅棕色皮毛,身体的下部一般是白色的。然而,有些个体在背部和腹部的相邻部分有一个长长的黑色标记。雄性瞪羚有长而弯曲的角。瞪羚体质强壮,是非常敏捷的动物;脚上有4趾,但侧趾比鹿类更加退化,有适合长跑的腿,适于奔跑。可以以每小时50公里的速度持续奔跑。
瞪羚一般生活在沙漠和半沙漠、干旱的草原、树木繁茂的稀树草原、灌木丛生的草原、丘陵和浅林中。瞪羚是高度社会化的动物,所有的瞪羚都是群居的。一些群有多达700名成员,尽管一些瞪羚群很小并且按性别隔离。例如,雌性和年轻的幼羚生活在一起,还生活在10-30只雌性的群中。雄性单独生活或自己组群与其他雄性一起生活。雄性族群被称为单身汉族群。在迁徙过程中,雌雄混群,在交配季节,畜群的隔离更为突出,但只要有繁殖机会,它们就会被领地雄性分开。
瞪羚优化算法包含全局搜索,局部搜索和瞪羚逃生三个阶段:
一、种群随机初始化
Elite =[x1,1′x1,2′⋯x1,d−1′x1,d′x2,1′x2,2′⋯x2,d−1′x2,d′⋮⋮xi,j′⋮⋮xn,1′xn,2′⋯xn,d−1′xn,d′]\text { Elite }=\left[\begin{array}{lllll} x_{1,1}^{\prime} & x_{1,2}^{\prime} & \cdots & x_{1, d-1}^{\prime} & x_{1, d}^{\prime} \\ x_{2,1}^{\prime} & x_{2,2}^{\prime} & \cdots & x_{2, d-1}^{\prime} & x_{2, d}^{\prime} \\ \vdots & \vdots & x_{i, j}^{\prime} & \vdots & \vdots \\ x_{n, 1}^{\prime} & x_{n, 2}^{\prime} & \cdots & x_{n, d-1}^{\prime} & x_{n, d}^{\prime} \end{array}\right] Elite =⎣⎡x1,1′x2,1′⋮xn,1′x1,2′x2,2′⋮xn,2′⋯⋯xi,j′⋯x1,d−1′x2,d−1′⋮xn,d−1′x1,d′x2,d′⋮xn,d′⎦⎤
其中,xi,j=rand×(UBj−LBj)+LBjx_{i, j}=\operatorname{rand} \times\left(\mathrm{UB}_{j}-\mathrm{LB}_{j}\right)+\mathrm{LB}_{j}xi,j=rand×(UBj−LBj)+LBj
瞪羚优化算法中涉及布朗运动及莱维飞行:
1.1布朗运动
布朗运动是悬浮微粒被分子撞击后做无规则运动。布朗运动是将看起来连成一片的液体,在高倍显微镜下看其实是由许许多多分子组成的。液体分子不停地做无规则的运动,不断地随机撞击悬浮微粒。当悬浮的微粒足够小的时候,由于受到的来自各个方向的液体分子的撞击作用是不平衡的。在某一瞬间,微粒在另一个方向受到的撞击作用超强的时候,致使微粒又向其它方向运动,这样就引起了微粒的无规则的运动,即布朗运动。布朗运动满足正态(高斯)概率分布函数:
fB(x;μ,σ)=12πσ2exp(−(x−μ)22σ2)=12πexp(−x22)f_{B}(x ; \mu, \sigma)=\frac{1}{\sqrt{2 \pi \sigma^{2}}} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)=\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{x^{2}}{2}\right)fB(x;μ,σ)=2πσ21exp(−2σ2(x−μ)2)=2π1exp(−2x2)
1.2莱维飞行
莱维飞行以法国数学家保罗·莱维命名,指的是步长的概率分布为重尾分布的随机行走,也就是说在随机行走的过程中有相对较高的概率出现大跨步。与步长分布没有重尾的随机行走相比,莱维飞行的运动轨迹就像时不时可以飞行一样,故名。当随机行走的空间维数高于一维时,莱维飞行通常还要求步长分布是各向同性的。
L(xj)≈∣xj∣1−αL\left(x_{j}\right) \approx\left|x_{j}\right|^{1-\alpha}L(xj)≈∣xj∣1−α
fL(x;α,γ)=1π∫0∞exp(−γqα)cos(qx)δqf_{L}(x ; \alpha, \gamma)=\frac{1}{\pi} \int_{0}^{\infty} \exp \left(-\gamma q^{\alpha}\right) \cos (\mathrm{qx}) \delta qfL(x;α,γ)=π1∫0∞exp(−γqα)cos(qx)δq
Levy(α)=0.05×x∣y∣1α\operatorname{Levy}(\alpha)=0.05 \times \frac{x}{|y|^{\frac{1}{\alpha}}}Levy(α)=0.05×∣y∣α1x
其中,σx=[Γ(1+α)sin(πα2)Γ((1+α)2)α2(α−1)2]1/α,σy=1,α=1.5,x=Normal(0,σx2),y=Normal(0,σy2)\sigma_{x}=\left[\frac{\Gamma(1+\alpha) \sin \left(\frac{\pi \alpha}{2}\right)}{\Gamma\left(\frac{(1+\alpha)}{2}\right) \alpha 2^{\frac{(\alpha-1)}{2}}}\right]^{1 / \alpha},\sigma_{y}=1, \alpha=1.5,x=\operatorname{Normal}\left(0, \sigma_{x}^{2}\right) , y=\operatorname{Normal}\left(0, \sigma_{y}^{2}\right)σx=[Γ(2(1+α))α22(α−1)Γ(1+α)sin(2πα)]1/α,σy=1,α=1.5,x=Normal(0,σx2),y=Normal(0,σy2)
二、全局搜索
该阶段模拟瞪羚在没有捕食者或者捕食者跟踪情形下的自由放牧,瞪羚采取布朗运动,其位置更新如下:
gazelle i+1=gazelle i+S.R∗.RB∗(Elite i−RB∗gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S . R * . R_{B} *\left(\text { Elite }_{i}-R_{B} * \text { gazelle } _{i})\right. gazelle i+1= gazelle i+S.R∗.RB∗( Elite i−RB∗ gazelle i)
其中,S表示瞪羚的移动速度,RBR_{B}RB表示基于布朗运动的随机向量,R是在取值为0~1之间的随数。
三、局部搜索
该阶段模拟瞪羚发现捕食者后的逃跑行为,分为两个阶段,并且每个阶段都依据迭代次数的奇偶性而采取两种相反运动。第一阶段:瞪羚在发现捕食者前期采取莱维飞行;第二阶段:瞪羚在发现捕食者后期采取布朗运动。
3.1第一阶段
瞪羚在发现捕食者的前期采取莱维飞行:
gazelle i+1=gazelle i+S⋅μ⋅R∗⋅RL∗. (Elite i−RL∗gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot R * \cdot R_{L} * \text {. }\left(\text { Elite }_{i}-R_{L} * \text { gazelle }_{i}\right) gazelle i+1= gazelle i+S⋅μ⋅R∗⋅RL∗. ( Elite i−RL∗ gazelle i)
其中,μ\muμ为-1或1,表示两种运动方向;RLR_{L}RL表示基于 Lévy 分布的随机数向量。
3.2第二阶段
瞪羚在发现捕食者的后期采取布朗运动:
gazelle i+1=gazelle i+S⋅μ⋅CF∗.RB∗(Elite i−RL∗⋅gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot CF * . R_{B} *\left(\text { Elite }_{i}-R_{L} * \cdot \text { gazelle }_{i}\right) gazelle i+1= gazelle i+S⋅μ⋅CF∗.RB∗( Elite i−RL∗⋅ gazelle i)
其中,CF=(1−iterMaxiter )(2iter Maxiter )C F=\left(1-\frac{i t e r}{\text { Maxiter }}\right)^{\left(2 \frac{\text { iter }}{\text { Maxiter }}\right)}CF=(1− Maxiter iter)(2 Maxiter iter )表示捕食者的累积效应。
四、瞪羚逃生
瞪羚面对捕食者时的存活率为0.66,这意味着捕食者有34%的机会狩猎成功,用PSRs表示捕食者的狩猎成功率,并以此对瞪羚逃生过程建立数学模型:
gazelle i+1={gazelle i+CF[LB+R∗.(UB−LB)]∗.Uif r≤PSRsgazelle i+[PSRs(1−r)+r](gazell r1−gazelle r2)else \text { gazelle }_{i+1}=\left\{\begin{array}{ll} \text { gazelle }_{i}+C F[L B+R * .(U B-L B)] * . U & \text { if } r \leq P S R s \\ \text { gazelle }_{i}+[P S R s(1-r)+r]\left(\text { gazell }_{r_{1}}-\text { gazelle }_{r_{2}}\right) & \text { else } \end{array}\right. gazelle i+1={ gazelle i+CF[LB+R∗.(UB−LB)]∗.U gazelle i+[PSRs(1−r)+r]( gazell r1− gazelle r2) if r≤PSRs else
其中,r为0~1之间的随机数。
五、GOA算法描述
五、GOA算法流程
参考文献:Agushaka, J.O., Ezugwu, A.E. & Abualigah, L. Gazelle optimization algorithm: a novel nature-inspired metaheuristic optimizer. Neural Comput & Applic (2022). https://doi.org/10.1007/s00521-022-07854-6
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)相关推荐
- 瞪羚优化算法Gazelle optimization algorithm附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
- 多旅行商问题:鹈鹕优化算法(Pelican Optimization Algorithm,POA)求解多仓库多旅行商问题(提供Matlab代码)
一.鹈鹕优化算法 鹈鹕优化算法(Pelican Optimization Algorithm,POA)由Pavel Trojovský和Mohammad Dehghani 于2022年提出,该算法模拟 ...
- Adam优化算法(Adam optimization algorithm)
Adam优化算法(Adam optimization algorithm) Adam优化算法基本上就是将Momentum和RMSprop结合在一起. 初始化 2.在第t次迭代中,用mini-batch ...
- 两种鲸鱼优化算法 (whale optimization algorithm, WOA)及仿真实验——附代码
目录 摘要: 算法设计: WOA总体流程图如下: 增强型WOA(E-WOA) 仿真运行效果: 完整程序: 摘要: 鲸鱼优化算法 (whale optimization algorithm,WOA)是 ...
- 【WOA】鲸鱼优化算法(Whale Optimization Algorithm,WOA)理论分析与matlab性能仿真,使用CEC2017测试
一.WOA鲸鱼优化理论简介 WOA算法设计的既精妙又富有特色,它源于对自然界中座头鲸群体狩猎行为的模拟, 通过鲸鱼群体搜索.包围.追捕和攻击猎物等过程实现优时化搜索的目的.在原始的WOA中,提供了包围 ...
- 【深度学习笔记】优化算法( Optimization Algorithm)
本文依旧是吴恩达<深度学习工程师>课程的笔记整理与拓展. 一.优化算法的目的与挑战 优化算法主要是用来加快神经网络的训练速度,使得目标函数快速收敛. 优化问题面临的挑战有病态解.鞍点.梯度 ...
- 单目标应用:瞪羚优化算法(Gazelle Optimization Algorithm,GOA)优化BiLSTM权值和阈值(提供Matlab代码)
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪羚的身高60-11 ...
- 多目标优化算法:基于非支配排序的瞪羚优化算法(Non-Dominated Sorting Gazelle Optimization Algorithm,NSGOA)
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪羚的身高60-11 ...
- 单目标应用:瞪羚优化算法GOA求解旅行商问题TSP(提供Matlab代码)
一.瞪羚优化算法 瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪 ...
最新文章
- AngularJS $eval $parse
- 5.基于STM32F103+OV7670的网络摄像头
- 【通知】3月当当购书大额优惠券赠送,仅限今明两天
- MongoDB 数据库、集合创建删除与文档插入
- 写给设计师同学的xcode使用教程: 教你用 Xcode 做原型设计
- C语言 PK 各大编程语言
- tar.gz 文件解压 (安装 netbean 时会用到)
- VS2015解决方案资源管理器空白,不显示内容
- android 如何开发出一款知名应用:构思篇
- ARM处理器寄存器和汇编指令系统
- oracle定时任务定时无效
- 2021年十佳返利优惠券平台排名如下
- 多元线性回归—异方差
- 新农合医疗保险补偿制度
- 3d游戏设计读书笔记三
- Pandas 那些年踩过的坑
- 论文阅读:NEURAL MACHINE TRANSLATIONBY JOINTLY LEARNING TO ALIGN AND TRANSLATE
- 测试过程中遇到的问题总结
- 硬盘安装windows系统
- NYOJ-20 吝啬的国度 AC
热门文章
- 2017.2.12 开涛shiro教程-第七章-与Web集成
- 机器学习 --- 感知机
- python 除法和乘方
- 【深度学习】外置显卡选购及搭建环境
- Android MD5 RSA DES等几种加密算法
- Android:展锐WiFi参数
- [游戏]求生之路新地图安装说明
- 迎己亥春节 故宫博物院首次复原“天灯”“万寿灯”
- (PHP)学生信息后台管理系统(功能齐全,免费开源)
- CTF训练计划—[SUCTF 2018]GetShell