智能优化算法:蜣螂优化算法
文章目录
- 智能优化算法:蜣螂优化算法
- 1.蜣螂优化算法
- 1.1 结构和算法
- 1.2 计算步骤
- 2.实验结果
- 3.参考文献
- 4.Matlab
- 5.Python
摘要:蜣螂优化算法( Dung beetle optimizer, DBO), 是由 Jiankai Xue 等于2022 年提出的一种群体智能优化算法。其灵感来源于蜣螂的生物行为过程,具有寻优能力强,收敛速度快的特点。
1.蜣螂优化算法
众所周知,蜣螂是自然界中一种常见的昆虫,动物的粪便为食,在全世界内分布广泛,扮演着自然界中分解者的角色,对生态系统平衡起着至关重要的作用。蜣螂有一个有趣的习惯,它们会把粪便捏成球,然后把它滚出来,目的是能够尽可能快速、有效地移动粪球,防止被其他蜣螂抢夺。蜣螂的可以利用天体线索(特别是太阳、月亮和偏振光)来导航,让粪球沿着直线滚动,如果完全没有光源(也就是在完全黑暗的环境中),蜣螂的就不再走直线,而是弯曲的,有时甚至略圆,有很多因素(如风、地面不平)都会导致蜣螂偏离原来的方向,蜣螂在滚粪球的过程如遇到障碍物而无法前进时,通常会爬到粪球上面"跳舞"(包括一系列的旋转和停顿),决定它们的运动方向。
从蜣螂的习性中观察发现,其获取粪球主要有以下两个目的:①用来产卵和养育下一代;②作为食物。蜣螂会把粪球埋起来,雌性蜣螂会在粪球里产卵,粪球不仅是蜣螂幼虫的发育场所,也是必需的食物。所以,粪球对蜣螂的生存起着不可替代的作用。
本位介绍了一种新的群体智能优化算法------DBO(Dung beetle optimizer)技术,其灵感主要来源于蜣螂的滚球、跳舞、觅食、偷窃、和繁殖等行为。
1.1 结构和算法
根据上面的讨论,蜣螂在滚动过程中需要通过天体线索导航,以保持粪球在直线路径上滚动。为了模拟滚球行为,要求蜣螂在整个搜索空间中沿着给定的方向移动。蜣螂的运动轨迹如图1所示。在图1中,蜣螂利用太阳来导航,其中红色箭头表示的是滚动的方向,同时,我们假设光源的强度也会影响蜣螂的路径。在滚动过程中,滚球蜣螂的位置更新,可以表示为
其中, 表示当前迭代次数,
表示第
只蜕螂在第
次迭代时的位置信息,
表示挠度系数, 为定值。
表示属于
的定值,
为自然系数, 赋值为
或
表示全局 最差位置,
图1蜣螂运动轨迹的概念模型
在式(1)中, 适当选择两个参数 和
)的值至关重要,
代表诸多自然因素(如风和不平坦 的地面)可使蚝螂偏离原来的方向。当
时, 表示无偏差, 当
时, 表示偏离原方向。本 文中, 为模拟现实世界中的复杂环境, 通过概率法设
为 1 或-1。同样,
的值越高表示光源 越弱, 同时,
和
分别设为
和
。利用
有以下两个优点: (1)算法在优化过程中, 可尽 可能地彻底地探索整个空间; (2)使算法具有更强的搜索性能, 从而避免陷入局部最优。
通 过控制
图2 切线函数的概念模型和蜣螂的舞蹈行为
当蛢螂遇到障碍物无法前进时, 就需要通过跳舞来重新定位, 目的是获得新的路线。为了 模拟舞蹈行为, 用切线函数得到新的滚动方向。需要指出的是, 只需要考虑定义在区间 , 如图 2 所示。一旦蜣螂成功确定了一个新的方向, 它继续把球向后㳖。因此, 将䖩螂的位置更 新, 并定义如下:
其中, 为挠度角, 属于
。
表示第
只蜕螂在第
次迭代时的位置与其 在第
次迭代时的位置之差。如果
, 蛢螂的位置不更新。
在自然界中, 粪球是被蛢螂滚到安全的地方藏起来。为了给它们的后代提供安全的环境, 选择合适的产卵地点对蚝螂来说至关重要。模拟䧳蚝螂产卵的区域边界选择策略, 其定义为:
其中, 为当前局部最佳位置,
和
分别为产卵区下限和上界,
表 示最大迭代次数,
和
分别代表优化问题的下界和上界。
如图 3 所示, 当前局部最佳位置 用一个大的棕色圈表示, 而
周围的小黑圈表示卵球。 每个卵球中都蕴含一枚蜣螂卵, 红色的小圆圈代表边界的上下界。
一旦确定了产卵区域, 雌性蜕螂就会选择这个区域的卵卵球产卵。对于 DBO 算法, 每只 雌蚝螂在每次迭代中只产一个卵。此外, 从式(3)中可以清楚地看到, 产卵区域的边界范围是 动态变化的, 这主要是由 值决定的。由此可见, 卵球的位置在迭代过程中也是动态的, 表示 为:
为第
次迭代时第
个卵球的位置信息,
和
表示大小为
的两个独立随机向量,
一些已经长成成虫的蚝螂会从地下钻出来受食, 我们称它们为小蚝螂, 还需要建立最优受 食区域来引导蜣螂受食, 最佳受食区域的边界定义如下: 表示全局最佳受食位置,
和乌
分别为最优受食区域的下界和上界, 其他参数在 式(3)中定义, 因此小蚝螂的位置更新如下:
其中, 表示第
次迭代时第
只小蚝螂的位置信息,
表示一个服从正态分布的随机数,
表示属于
的随机向量。
还有一些蚝螂被称为偷窃䖩螂, 会从其他蚝螂那里偷粪球,这是自然界中非常常见的现象。 从式(5)可以看出, 即最优的食物来源位置。因此, 我们可以假设
即表示争夺食物的最佳 地点。在迭代过程中, 偷穷槩螂的位置更新信息定义如下:
其中, 表示第
个偷窃蜕螂在第
次迭代时的位置信息,
是一个大小为
维的随机向 量, 服从于正态分布,
图3 边界选择策略的概念模型
偷窃蜣螂在优化过程中位置不断更新, 最后输出最佳位置 。根据此算法 更具体地说, 在
算法中, 一个蜕螂种群包括
种目标代理, 其中代理
都代表一组候选 解, 第
个代理的位置向量用
表示,
, 其中,
1.2 计算步骤
DBO 算法作为一种新颖的基于 SI 的优化技术, 主要有六个步骤:
(1) 初始化蜣螂群和 DBO 算法的参数;
(2) 根据目标函数计算出所有目标代理的适应度值;
(3) 更新所有蛲螂的位置;
(4) 判断每个目标代理是否超出边界;
(5) 更新当前最优解及其适应度值;
(6) 重复上述步骤, 直到 t 满足终止准则, 输出全局最优解及其适应度值。
2.实验结果
3.参考文献
[1] Jiankai Xue & Bo Shen (2022) Dung beetle optimizer: a new meta-heuristic algorithm for global optimization. The Journal of Supercomputing, DOI:10.1007/s11227-022-04959-6
4.Matlab
应用:
名称 |
基于蜣螂优化算法优化BP神经网络(预测) |
蜣螂算法优化的BP神经网络(分类) |
基于蜣螂算法优化概率神经网络PNN的分类预测 |
基于蜣螂算法优化的Elman神经网络数据预测 |
基于蜣螂算法的极限学习机(ELM)分类算法 |
基于蜣螂算法的极限学习机(ELM)回归预测 |
基于蜣螂算法改进的随机森林回归预测算法(DBO-RF) |
基于蜣螂算法改进的随机森林分类算法(DBO-RF) |
基于蜣螂算法优化的核极限学习机(KELM)分类算法 |
基于蜣螂算法优化的核极限学习机(KELM)回归预测 |
基于蜣螂算法优化的广义回归神经网络(GRNN)预测 |
基于蜣螂算法优化的SVM回归预测 |
基于蜣螂算法优化的SVM数据分类 |
基于蜣螂算法优化的LSSVM回归预测(AO-LSSVM) |
蜣螂算法改进的深度极限学习机DELM的预测(DBO-DELM) |
蜣螂算法改进的深度极限学习机DELM的分类(DBO-DELM) |
基于蜣螂算法改进的LSTM预测算法(DBO-LSTM) |
基于蜣螂算法改进的LSTM分类算法(DBO-LSTM) |
基于蜣螂算法优化的K-means图像分割算法 |
5.Python
应用
名称 |
基于蜣螂算法的极限学习机(ELM)分类算法 |
基于蜣螂算法的极限学习机(ELM)回归预测 |
基于蜣螂算法改进的随机森林回归预测算法(DBO-RF) |
基于蜣螂算法改进的随机森林分类算法(DBO-RF) |
基于蜣螂算法优化的SVM回归预测 |
基于蜣螂算法优化的SVM数据分类 |
基于蜣螂算法的无线传感器网(WSN)覆盖优化(DBO-WSN) |