文章目录
- 【`获取资源`请见文章第5节:资源获取】
- 1. 原始火鹰优化算法
- 1.1 种群初始化
- 1.2 火鹰点火阶段
- 1.3 猎物移动阶段
- 2. 改进的火鹰优化算法
- 2.1 Tent映射种群初始化
- 2.2 非线性复合自适应惯性权重随机抉择策略
- 3. 部分代码展示
- 4. 仿真结果展示
- 5. 资源获取
【获取资源
请见文章第5节:资源获取】
1. 原始火鹰优化算法
火鹰优化算法(Fire Hawk Optimizer, FHO)是2023年提出的新算法。作者受鸣笛鸢,黑鸢和棕色猎鹰的觅食行为的启发,提出了这个算法。考虑这些鸟,它们在自然界中捕捉猎物的特定行为,特别是通过放火的方式,故命名此算法为火鹰优化算法。火鹰的奇怪行为是故意用嘴叼着燃烧的树枝来传播火焰,作者对它们的爪子进行了检查和分析,以建立一个数学模型。火鹰优化算法分为以下几个阶段:
1.1 种群初始化
1.2 火鹰点火阶段
1.3 猎物移动阶段
2. 改进的火鹰优化算法
2.1 Tent映射种群初始化
混沌序列具有良好的随机性、遍历性和规律性,利用这些特征进行优化、搜索,能够有效地保持种群的多样性,抑制算法陷入局部最优,使全局搜索能力得到加强。研究表明,不同的混沌映射对混沌优化过程的影响很大。目前来说,在优化启发式算法中,用的相对较多的是Logistic混沌映射和Tent混沌映射。Tent映射具有比Logistic映射更好的遍历均匀性和更快的搜索速度。Tent映射的表达式如下:
2.2 非线性复合自适应惯性权重随机抉择策略
在原始FHO算法中,如果某个个体陷入局部最优后,其更新公式在这个局部最优解附近进行搜索,也不易跳出这个局部解,为了提高算法跳出局部最优的能力,提出了这个非线性复合自适应惯性权重随机抉择策略。
提出的自适应权重因子w的图像如下:
3. 部分代码展示
function [Best_score,Best_pos,Curve] = IFHO(nPop,Max_iter,lb,ub,dim,fobj)
% 该算法基于啸鸢、麻鹰和褐隼的觅食行为,这些鸟类被称为火鹰,
% 因为它们在自然界中捕捉猎物的具体行动,特别是通过"放火”的方式。
% 该算法模拟了火鹰的觅食行为,考虑了生火和传火以及捕获猎物的过程。
%% 边界矢量化
VarMin = lb.*ones(1,dim);
VarMax = ub.*ones(1,dim);
%% 算法的一般参数
HN = randi([1 ceil(nPop/5)],1,1) ; % 火鹰最大数量
%% 初始化阶段
Cost=[];
%% 改进点1:Tent混沌映射初始化种群 %%%%
Pop = initialization_Tent(nPop, dim, ub, lb);
for i=1:nPop
% 随机初始化种群
% Pop(i,:)=unifrnd(VarMin,VarMax,[1 dim]);
% 计算适应度值
Cost(i,1)=fobj(Pop(i,:));
end
% 排序找出初始最优
[Cost, SortOrder]=sort(Cost);
Pop=Pop(SortOrder,:);
BestPop=Pop(1,:);
SP=mean(Pop);
% 火鹰
FHPops=Pop(1:HN,:);
% 猎物
Pop2=Pop(HN+1:end,:);
% 火鹰与猎物之间的距离
for i=1:HN
nPop2=size(Pop2,1);
if nPop2<HN
break
end
Dist=[];
for q=1:nPop2
Dist(q,1)=distance(FHPops(i,:), Pop2(q,:));
end
[ ~, b]=sort(Dist);
alfa=randi(nPop2);
PopNew{i,:}=Pop2(b(1:alfa),:);
Pop2(b(1:alfa),:)=[];
if isempty(Pop2)==1
break
end
end
if isempty(Pop2)==0
PopNew{end,:}=[PopNew{end,:} ;Pop2];
end
% 更新最优解
GB=Cost(1);
BestPos=BestPop;
%% 主循环
Iter=1;
while Iter<=Max_iter
fprintf('迭代次数:%d\n', Iter);
Iter=Iter+1;
PopTot=[];
Cost=[];
4. 仿真结果展示
5. 资源获取
可更换其他群智能算法,获取完整代码资源。👇👇👇👀名片