基于Matlab实现野狗优化算法的示例代码
目录
- 1.概述
- 2.捕食过程的数学模型
- 2.1 种群初始化
- 2.2 群体攻击过程
- 2.3 迫害攻击过程
- 2.4 野狗的存活率
- 3.Matlab代码实现
- 3.1 代码
- 3.2 结果
1.概述
野狗优化算法(Dingo Optimization Algorithm, DOA)模仿澳大利亚野狗的社交行为。DOA算法的灵感来源于野狗的狩猎策略,即迫害攻击、分组策略和食腐行为。为了提高该方法的整体效率和性能,在DOA中制定了三种与四条规则相关联的搜索策略,这些策略和规则在搜索空间的强化(开发)和多样化(探索)之间提供了一种精确的平衡。
该算法的优点:寻优能力强,收敛速度快等特点。
2.捕食过程的数学模型
2.1 种群初始化
野狗种群在搜索边界内随机初始化:
其中,lbi和ubi分别表示个体的上下边界,randi是[0,1]之间的随机数。
2.2 群体攻击过程
捕食者通常使用高度智能的狩猎技术,野狗通常单独捕食小猎物,如兔子,但当捕食大猎物,如袋鼠时,它们会成群结队。野狗能找到猎物的位置并将其包围,其行为如上所示:
其中,t代表当前的迭代次数,是野狗新位置; na是在[2,SizePop/2]的逆序中生成的随机整数,其中SizePop是野狗种群的规模; 是将攻击的野狗的子集,其中是随机生成的野狗种群;是当前野狗的位置是上一次迭代中发现的最佳野狗;β1是在[-2.2]内均匀生成的随机数,它是一个比例因子,可改变野狗轨迹的大小。
2.3 迫害攻击过程
野狗通常捕猎小猎物,直到单独捕获为止。行为模拟为:
其中,是野狗新位置,是上一次迭代中发现的最佳野狗,β2的值与式2.2中的值相同,β2是在[-1,1]区间内均匀生成的随机数,r1是在从1到最大搜索代理(野狗)大小的区间内生成的随机数,是随机选择的第r1个野狗,其中i≠r1。
2.4 野狗的存活率
在DOA中,野狗的存活率值由下式给出:
其中,fitnessmax和fitnessmin分别是当前一代中最差和最佳的适应度值,而fitness(i)是第i个野狗的当前适应度值。式(5)中的生存向量包含[0,1]区间内的归一化适应度。
3.Matlab代码实现
3.1 代码
%====欢迎关注公众号:电力系统与算法之美==== function DOA() %% ====参数设置==== popsize=20; % 种群规模 Iteration=1000; % 迭代次数 lb = -10; % 各维度的下限 ub = 10; % 各维度的上限 dim = 2; % 优化变量的个数 P= 0.5; % Hunting or Scavenger rate. Q= 0.7; % Group attack or persecution? beta1= -2 + 4* rand(); % -2 < beta < 2 beta2= -1 + 2* rand(); % -1 < beta2 < 1 naIni= 2; % minimum number of dingoes that will attack naEnd= popsize /naIni; % maximum number of dingoes that will attack na= round(naIni + (naEnd-naIni) * rand()); % number of dingoes that will attack %% ====初始化种群位置===== Positions=lb + (ub - lb).*rand(popsize, dim); for i=1:size(Positions,1) Fitness(i)=sum(Positions(i,:).^2); % get fitness end [best_score, minIdx]= min(Fitness); % the min fitness value vMin and the position minIdx best_x= Positions(minIdx,:); % the best vector [worst_score, ~]= max(Fitness); % the max fitness value vMax and the position maxIdx curve=zeros(1,Iteration); %% Section 2.2.4 Dingoes'survival rates for i=1:size(Fitness,2) survival(i)= (worst_score-Fitness(i))/(worst_score - best_score); end %% =====开始循环=========== for t=1:Iteration for r=1:popsize if rand() < P % Hunting sumatory=0; c=1; vAttack=[]; while(c<=na) idx =round( 1+ (popsize-1) * rand()); band= 0; for i=1:size(vAttack, 2) if idx== vAttack(i) band=1; break; end end if ~band vAttack(c) = idx; c=c+1; end end for j=1:size(vAttack,2) sumatory= sumatory + Positions(vAttack(j),:)- Positions(r,:); end sumatory=sumatory/na; if rand() < Q % group attack v(r,:)= beta1 * sumatory-best_x; % Strategy 1: Eq.2 else % Persecution r1= round(1+ (popsize-1)* rand()); % v(r,:)= best_x + beta1*(exp(beta2))*((Positions(r1,:)-Positions(r,:))); % end else % Scavenger r1= round(1+ (popsize-1)* rand()); if rand() < 0.5 val= 0; else val=1; end v(r,:)= (exp(beta2)* Positions(r1,:)-((-1)^val)*Positions(r,:))/2; % end if survival(r) <= 0.3 % Section 2.2.4, Algorithm 3 - Survival procedure band=1; while band r1= round(1+ (popsize-1)* rand()); r2= round(1+ (popsize-1)* rand()); if r1 ~= r2 band=0; end end if rand() < 0.5 val= 0; else val=1; end v(r,:)= best_x + (Positions(r1,:)-((-1)^val)*Positions(r2,:))/2; % Section 2.2.4, Strategy 4: Eq.6 end % Return back the search agents that go beyond the boundaries of the search space . Flag4ub=v(r,:)>ub; Flag4lb=v(r,:)<lb; v(r,:)=(v(r,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; % Evaluate new solutions Fnew= sum(v(r,:).^2); % Update if the solution improves if Fnew <= Fitness(r) Positions(r,:)= v(r,:); Fitness(r)= Fnew; end if Fnew <= best_score best_x= v(r,:); best_score= Fnew; end end curve(t)= best_score; [worst_score, ~]= max(Fitness); for i=1:size(Fitness,2) survival(i)= (worst_score-Fitness(i))/(worst_score - best_score); end end %======结束优化=============== %% 进化曲线 figure semilogy(curve,'Color','r','LineWidth',2) grid on title('收敛曲线') xlabel('迭代次数'); ylabel('最佳适应度'); axis tight legend('DOA') display(['最优解: ', num2str(best_x)]); display(['最小值: ', num2str(best_score)]); end
3.2 结果
到此这篇关于基于Matlab实现野狗优化算法的示例代码的文章就介绍到这了,更多相关Matlab野狗优化算法内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!