狼群系统分工:

头狼: 狼群中最有智慧以及最凶猛的。它不断的根据狼群所感知的信息进行决策,身份:行动的指挥者

探狼:负责侦查信息,感知猎物的气味。在进行实物搜寻的阶段,会派出一些探狼(只是一小部分)去侦测信息,他们会根据侦测到的信息进行自主决策,向着猎物气味最近的方向前进。

猛狼:探狼一旦发现猎物踪迹,就会立即报告该头狼,头狼根据情况通过嚎叫召唤周围的猛狼向着探狼方向前进,然后对猎物进行围攻。

步骤:头狼根据情报排派出去探狼前去侦查,探狼汇报信息,头狼决断是否派猛狼以及哪几头以及数量多少,然后猛狼朝着探狼或者猎物的踪迹前进

类似于:

两军交战A将军听到了一则消息,说B城多是伤残兵,援军还没有抵达,现在进攻正是时机。

因此A将军为了确定消息的的准确度,(1)派出探子,查证消息(2)探子汇报说B城守卫松懈,可以通过北门进攻(3)A将军受到消息,决定派手下急需建功立业的小程将军(这里有一个挑选的过程,根据需要选择合适的将军),小程将军根据消息带领军队前往北门。

狼群算法模型:‘

相关的定义:

(1)狼群的猎场空间为N*D的欧式空间   N代表狼的数目         D代表:待寻优的变量数,(我理解就是:属性,特征)

(2)某一只人工狼表示:为第i只狼在欲寻优的d为空间变量中所处的位置(我理解:就是这个属性特征的值)

(3),Y为目标函数值

(4)人工狼p与q之间的矩离使用Manhattan矩离,也就是各个对应属性值相减的绝对值的和

智能行为和规则的描述

将狼群的整个捕猎活动抽象为3种智能行为(游走行为,召唤行为,围攻行为)以及“胜者为王”的头狼规则,和“强者生存”的狼群更新机制

(1)头狼产生规则: 初始解空间中,据欧最优目标函数值的人工狼为头狼(?这个目标函数就是Y?)在迭代后最优狼的而目标函数与前一代头狼进行对比,若是大于,这更新头狼,小于则不更新,若存在多个相同的最大值则随机的选择一匹作为头狼

(2)游走行为: 将解空间中除头狼以外的最佳的S_num只人工狼视为探狼 S-num的随机取值在[n/(α+1),n/α]之间的整数,α为探狼比例因子。(?为什么要随机?是为了适应具体的情况具体的分析??在每次的迭代中贪狼是不是也再次)

探狼i首先感知空气中的猎物气味,若>,表示猎物矩离探狼的位置更近,探狼相对最优可能捕获猎物于是=,探狼i替代头狼发起展缓行为(这个生物上怎样传输比较的??,还是生物只是一个依托,更多的是算法的数据程序实现为主?)

<,探狼先金子那个自我决策,也就是探狼向h个方向分别前进一步,而前进的步长为,并记录前进一步之后感知的猎物的气味后,退回原处,则第p(1,2,3.。。。h)个方向前进后的探狼i在第d为空间中所处位置:

   计算每一维的值(前进后)此时的探狼感知的猎物气味浓度为,选择浓度最大以及大于原处的,再前进一步,更新探狼的位置(这次就是位置变化了,不用退后原处了,刚刚的退回原处只是为了记录下各个方向的数据,退到原处查看记录,然后进行选择,或者是退后原处,同一个起点作为前进不不的开始)重复以上的游走,直到,或者是游走次数达到最大游走次数(游走终止条件)

h个方向,h越多游走的方向越多,也就是月精细

(3)召唤行为

头狼发号命令召集M_num头周围的猛狼,向头狼的位置靠近。M_num=N-S_num-1;听到命令后猛狼以的步长靠近头狼的位置。则猛狼i第k+1词迭代的时候,第d为空间中所处出的位置为:

奔袭中,若猛狼i感知到猎物气味浓度,则,该猛狼转换为头狼并发起召唤行为。

,则猛狼i继续奔袭,知道其与头狼s之间的矩离为小于时加入到对猎物的围攻行为。

则,的估算为:

(4)围攻行为

奔袭的猛狼已经矩离猎物近的时候,这时猛狼会联合探狼对猎物进行包围。这里将离猎物最近的狼,即头狼的位置视为猎物的移动位置。

文中的步长:游走步长,奔袭步长,攻击步长,之间的关系为:

2018-3-20论文(一种新型的智能算法-狼群算法WPA)笔记二(狼群系统分析,算法步骤)相关推荐

  1. 2018-3-22论文一种新型的智能算法--狼群算法(笔记三)算法的步骤+收敛性分析

    首先整体的系统: 来源:[图文]狼群智能算法简述_百度文库 https://wenku.baidu.com/view/e4f45d6c04a1b0717fd5ddaf.html 算法的步骤: 公式:上 ...

  2. 一种新型的智能城市工业物联网安全攻击检测框架

    工业物联网安全攻击检测框架 背景导论 智能城市与安全需求 相关工作 所提案框架的设计和发展 基于RPL的安全框架(对IIoT) 所有攻击的阈值调制 HELLO-Flood攻击的阈值调制 版本号攻击的阈 ...

  3. 2018-3-23论文一种新型智能算法--狼群算法(笔记三)实验分析单峰,多峰,可分和不可分函数

    表中 "U"表示此函数为单峰函数(Unimodal):也就是函数在定义域中只有一个全局最优解,没有局部最优解(局部极值) "M"为多峰函数(Multimodal ...

  4. 2018-3-12论文(非结构网络中有价值信息数据挖掘)笔记二-----作者:关联规则的非结构网络有价值信息数据挖掘(看不懂,看不懂)

    中国知网:<计算机仿真>----------山西农业大学信息科学与工程学院                    林媛 非结构化网络中有价值信息数据挖掘原理 确定信息数据挖掘的历史样本(? ...

  5. 论文盘点:CVPR 2018 Top 20,华人发明的SENet居首!

    最近CV君在盘点近几年三大CV顶会的论文,继CVPR 2019 .ICCV 2019 .ECCV 2018 Top 20 论文后: 时隔一年,盘点CVPR 2019影响力最大的20篇论文 时隔两年,盘 ...

  6. StackExchange.Redis学习笔记(二) Redis查询 五种数据类型的应用

    StackExchange.Redis学习笔记(二) Redis查询 五种数据类型的应用 原文: StackExchange.Redis学习笔记(二) Redis查询 五种数据类型的应用 Connec ...

  7. SH-SSS丨JSA-TOD:一种新型半监督对话系统,20%标注即接近全监督效果

    SH Symposium Series on Speech (SH SSS 2022) ,SH SSS 是由语音之家打造的AI语音技术相关的前沿论文成果分享平台. 来自AI语音技术领域的优秀论文作者. ...

  8. 2018顶会论文汇编

    其它机器学习.深度学习算法的全面系统讲解可以阅读<机器学习-原理.算法与应用>,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造. 书的购买链接 书的勘误,优化,源代码资源 CVPR ...

  9. 2018 ACM博士论文奖公布:伯克利博士获奖,清华姚班马腾宇荣誉提名(附论文链接)...

    来源:机器之心 本文约2300字,建议阅读5分钟. 2018 ACM 最佳博士论文奖公布,UC 伯克利博士生 Chelsea Finn 凭借论文<Learning to Learn with G ...

最新文章

  1. SLAM综述(1)-Lidar SLAM
  2. correlation 蒙特卡洛_蒙特卡洛模拟法及其Matlab案例
  3. Jeff Doyle
  4. 不知所“云”:小企业对云托管知之甚少
  5. 使用 C#/.NET Core 实现单体设计模式
  6. WebRTC / Jitsi / 使用 jitsi 官方源安装内网演示环境过程
  7. golang 获取本地ip
  8. SQL中Case when 方法的使用
  9. MobX 上手指南,写 Vue 的感觉?
  10. TopicDeletionManager分析
  11. Windows Server 2003 系统安装
  12. 用 Visual Studio 2019 编译 FFmpeg 简单教程
  13. esp8266教程:网络基础知识
  14. Linux>>CentOS 7镜像下载及安装
  15. input标签用法与功能全面解析
  16. 样本量对差异性分析(Anova)或者T 检验的影响
  17. 外包程序员,如何提高自己跳出外包圈子?
  18. 学习C++可以做什么,可以从事哪些领域的工作
  19. Qt QVector 详解:从底层原理到高级用法
  20. 一文深度剖析ConcurrentHashMap

热门文章

  1. JS传中文到后台需要的处理
  2. 10倍效率的程序员的好习惯,你有几个?
  3. 1578: [Usaco2009 Feb]Stock Market 股票市场
  4. Solr配置文件分析与验证
  5. CV00-02-CV基本操作1
  6. Python基础02-Python基础
  7. ubuntu系统php环境变量设置,Ubuntu系统环境变量详解
  8. 编码中统一更该变量的快捷键_更多项目想法,以提高您的编码技能
  9. 远程协助软件开发_这是我从事远程软件开发人员工作的主要技巧
  10. UI设计培训分享:ui的字体怎么正确设置?