一种多策略改进鹅智能优化算法IGOOSE（2024年新出优化算法） 种群初始化精英反向策略+非线性下降因子+黄金正弦变异策略

---

前言

一种多策略改进鹅智能优化算法IGOOSE（2024年新出优化算法） 种群初始化精英反向策略+非线性下降因子+黄金正弦变异策略

一、GOOSE算法基本原理

GOOSE算法的详细原理和对应公式如下：

1. 算法初始化

• 初始化种群：算法开始时，首先初始化一个种群，即X矩阵，每个元素代表一只大雁的位置。
• 公式：
  • ( X_i )：第i只大雁的位置。

2. 适应度计算

• 计算适应度：在每次迭代中，通过标准化的基准函数计算每个搜索代理（大雁）的适应度。
• 公式：
  • ( F(X_i) )：第i只大雁的适应度函数值。

3. 最佳适应度和位置

• 选择最佳适应度和位置：在每次迭代中，比较所有搜索代理的适应度，选择最佳适应度（BestFitness）和最佳位置（BestX）。
• 公式：
  

4. 探索与利用的平衡

• 随机变量：使用一个随机变量“rnd”来决定是进行探索还是利用，各占50%的概率。

5. 利用阶段（Exploitation）

• 保护群体：模拟守护大雁保护群体的行为，通过随机选择的方程来更新大雁的位置。
• 公式：
  ### 6. 探索阶段（Exploration）
• 随机唤醒：模拟大雁随机唤醒的行为，以调节随机唤醒或保护个体。
• 公式：
  

7. 实际应用

• 焊接梁设计：优化焊接梁的制造成本，同时满足侧向位移、屈曲载荷、弯曲应力和剪切应力的约束。
• 经济负荷调度问题：最小化发电成本，同时满足电力需求和约束条件。
• 神经系统中的病理IgG分数：优化评估脑脊液中病理IgG水平的特征。

这些原理和公式共同构成了GOOSE算法的核心，使其能够在各种优化问题中表现出色。

二、改进GOOSE

改进1：种群初始化精英反向策略

function Positions=initializationNew(SearchAgents_no,dim,ub,lb,fun)
Boundary_no= size(ub,2); % numnber of boundaries
BackPositions = zeros(SearchAgents_no,dim);
% If each variable has a different lb and ub
if Boundary_no>1for i=1:dimub_i=ub(i);lb_i=lb(i);PositionsF(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;%求取反向种群BackPositions(:,i) =  (ub_i+lb_i) - PositionsF(:,i);end
end
%获取精英种群
index = zeros(size(PositionsF,1));
for i = 1:size(PositionsF,1)if(fun(PositionsF(i,:))<fun(BackPositions(i,:)))%原始解比反向解更好，即为精英解index(i) = 1;else%反向解更好的付给原始解PositionsF(i,:) = BackPositions(i,:);end
end
XJY = PositionsF(index == 1,:);
end

改进2：非线性下降因子

alpha = 2 - 2*(1/(1+exp(-10*rand*( (2*loop/Max_IT) -1 ))));

改进3：黄金正弦变异策略

        %% ★★改进3：黄金正弦变异r=rand;r1=(2*pi)*r;r2=r*pi;for vv = 1:dim % in j-th dimensiontemp(j,vv) = X(j,vv)*abs(sin(r1)) - r2*sin(r1)*abs(x1*Best_pos(1,vv)-x2*X(1,vv));   %黄金正弦计算公式endFlag4ub=temp(j,:)>ub;Flag4lb=temp(j,:)<lb;temp(j,:)=(temp(j,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;  if fobj(temp(j,:)) < fobj(X(j, :))X(j, :) = temp(j,:);end

程序内容

三、实验结果

主函数程序

%%  参数设置
SearchAgents = 30;                         % population members 
Max_iterations = 500;                      % maximum number of iteration
number = 'F23';                            % 选定优化函数，自行替换:F1~F23
[lb,ub,dim,fobj] = CEC2005(number);        % [lb,ub,D,y]：下界、上界、维度、目标函数表达式%%  调用算法
[IGOOSE_pos,IGOOSE_score,IGOOSE_curve]=IGOOSE(SearchAgents,Max_iterations,ub,lb,dim,fobj);        % 调用IGOOSE算法
[GOOSE_pos,GOOSE_score,GOOSE_Convergence_curve]=GOOSE(SearchAgents,Max_iterations,ub,lb,dim,fobj); % 调用GOOSE算法

获取

私信即可

总结

利用该优化算法对机器学习和深度学习进行优化
先用就是创新
包括但不限于
优化BP神经网络，深度神经网络DNN，极限学习机ELM，鲁棒极限学习机RELM，核极限学习机KELM，混合核极限学习机HKELM，支持向量机SVR，相关向量机RVM，最小二乘回归PLS，最小二乘支持向量机LSSVM，LightGBM，Xgboost，RBF径向基神经网络，概率神经网络PNN，GRNN，Elman，随机森林RF，卷积神经网络CNN，长短期记忆网络LSTM，BiLSTM，GRU，BiGRU，TCN，BiTCN，CNN-LSTM，TCN-LSTM，BiTCN-BiGRU，LSTM–Attention，VMD–LSTM，PCA–BP等等

用于数据的分类，时序，回归预测。
多特征输入，单输出，多输出