2024新算法红嘴蓝鹊优化算法,原理详解,MATLAB代码免费获取

红嘴蓝鹊优化算法(Red-billed blue magpie optimizer,RBMO)是一种受自然启发的群智能优化算法。该算法的灵感来自红嘴蓝鹊的合作和有效的捕食行为。通过对红嘴蓝鹊的搜索、追逐、攻击和食物储存行为的模拟,建立了RBMO的数学模型。红嘴蓝鹊是一种灵活和适应性强的捕食者。它主要以水果、昆虫和小型脊椎动物为食,表现出多样化的狩猎行为。这些蓝鹊通常以小群或集群的方式移动,帮助它们更有效地定位食物资源。集体行动增强了他们的搜索效率。此外,它们从地面和树木中获取食物。最后,它们将食物储存在树洞或其他合适的地方,以备将来食用,确保在食物短缺时有可靠的食物来源。红嘴蓝鹊的狩猎行为强调了它作为捕食者的灵活性,精通采用一系列策略和技术来获得食物。此外,它表现出社会和合作的倾向。

该成果于2024年发表在知名SCI期刊“Artificial Intelligence Review”上。

148ca49dfffe1b562b501cc26815d667.png

红嘴蓝鹊是一种主要生活在亚洲的鸟类,如图所示,它描绘了红嘴蓝鹊,其特点是体型大,鲜艳的蓝色羽毛和独特的红色嘴巴。红嘴蓝鹊主要以昆虫、小型脊椎动物、植物等为食,并且具有相对丰富的狩猎行为。在觅食时,红嘴蓝鹊采用跳跃,地面行走和在树枝上寻找食物的组合,红嘴蓝鹊在清晨和傍晚的时候表现出更高的活动水平。

3e56d652ccc2d6fa895f00b5b8dd65b6.png

1、算法原理

(1)种群初始化:

在大多数算法中,RBMO候选解决方案产生通过以下方程在给定问题的约束条件内产生的随机数,需要在每次迭代后更新。

其中,n表示种群规模,dim表示求解问题的维数。

其中ub和lb分别是问题的上限和下限,rand表示从0到1的随机数。

(2)寻找食物

在寻找食物的过程中,红嘴蓝鹊通常以小群或集群的方式行动,以提高搜索效率。它们采用各种技术,如在地上跳跃,行走或寻找食物资源的树木。这种适应性和灵活性使红嘴蓝鹊能够根据环境条件和可用资源采用不同的狩猎策略,确保获得充足的食物供应。

当小组探索食物时和聚类搜索时使用以下公式。

(3)攻击猎物

红嘴蓝鹊在追捕猎物时表现出高度的狩猎熟练度和合作精神。它们采用快速啄食、跳跃捕捉猎物或飞行捕捉昆虫等战术。在小团体行动中,主要目标通常是小型猎物或植物。相应的数学模型如下式所示。红嘴蓝鹊在集群活动时,能够共同瞄准大型昆虫或小型脊椎动物等较大的猎物。这种行为的数学表达式见下式。这种掠食性狩猎行为强调了红嘴蓝鹊所拥有的多种策略和技能,使其成为一种多才多艺的捕食者,擅长在各种情况下成功获取食物。

其中Xfood(t)表示食物的位置, 表示用于生成标准正态分布(平均值0,标准差1)的随机数。

式中,t表示当前迭代次数,Xi(t+1)表示第i个新的搜索代理位置,p表示从所有搜索个体中随机选择的2 - 5只小团体狩猎的红嘴蓝鹊的数量,Xm表示随机选择的第m个个体,Xi表示第i个个体,Xrs(t)表示当前迭代中随机选择的搜索代理。

其中q表示集群在探索食物时的搜索代理数量,介于10到n之间。同样,它也是从整个群体中随机选择的。

(4)食品贮藏

除了寻找和攻击食物外,红嘴蓝鹊还将多余的食物储存在树洞或其他隐蔽的地方,以备将来食用,确保在食物短缺时稳定的食物供应。这个过程保留了解决方案的信息,方便个人找到全局最优值。数学模型如下所示。

其中,fitness old和fitness new分别表示第i只红嘴蓝鹊位置更新前后的适应度值。

总而言之,在RBMO中,优化过程从生成一组随机的候选解开始,称为种群。RBMO的搜索策略通过重复轨迹来寻找合适的位置,无论是次优解还是最优解。食物储藏期提高了RBMO的开发利用能力。最后,RBMO搜索过程在满足最终标准时结束。值得注意的是,在捕猎过程中,红嘴蓝鹊的种群规模不同,但小规模种群和集群的总数保持相似。在本文中,提出了一个均衡人口的系数,设为0.5。算法1中提供了RBMO的伪代码。

e7ea04d138b3685d58fd6a741c1698dd.png

2、结果展示

dec5ad343989fe90f94855093633647f.png

3c5485964d949540c4b47e89183e15b6.png

bb6fed1460799da291b8a78130ae2d59.png

3、MATLAB核心代码

%% 淘个代码 %%
% 微信公众号搜索:淘个代码,获取更多代码
% 红嘴蓝鹊优化算法(RBMO)
function [BestValue, Xfood, Conv,FES] = RBMO(N, T, Xmin, Xmax, D, fobj, func_id)% Initialize the relevant parametersXfood = zeros(1, D);BestValue = inf;Conv = zeros(1, T);fitness = inf(N, 1);FES = 0;Epsilon = 0.5;X = initialization(N, D, Xmax, Xmin);X_old = X;for i = 1:Nfitness_old(i, 1) = fobj(X_old(i, :)', func_id);endt = 1; % Start of the main loopwhile t < T+1% Search for foodfor i = 1:N% Randomly select 2 to 5 red-billed blue magpiesp = randi([2, 5]);selected_index_p = randperm(N, p);Xp = X(selected_index_p, :);Xpmean = mean(Xp);% Randomly select 10 to N red-billed blue magpiesq = randi([10, N]);selected_index_q = randperm(N, q);Xq = X(selected_index_q, :);Xqmean = mean(Xq);A = randperm(N);R1 = A(1);if rand < EpsilonX(i, :) = X(i, :) + (Xpmean - X(R1, :)) .* rand; % Eq. (3)elseX(i, :) = X(i, :) + (Xqmean - X(R1, :)) .* rand; % Eq. (4)endend% Boundary handlingX = boundaryCheck(X, Xmin, Xmax);for i = 1:Nfitness(i, 1) = fobj(X(i, :)', func_id);if fitness(i, 1) < BestValueBestValue = fitness(i, 1);Xfood = X(i, :);endFES = FES + 1;end% Food storage[fitness, X, fitness_old, X_old] = Food_storage(fitness, X, fitness_old, X_old); % Eq. (7)CF = (1 - t / T)^(2 * t / T);% Exploitationfor i = 1:N% Randomly select 2 to 5 red-billed blue magpiesp = randi([2, 5]);selected_index_p = randperm(N, p);Xp = X(selected_index_p, :);Xpmean = mean(Xp);% Randomly select 10 to N red-billed blue magpiesq = randi([10, N]);selected_index_q = randperm(N, q);Xq = X(selected_index_q, :);Xqmean = mean(Xq);if rand() < EpsilonX(i, :) = Xfood + CF * (Xpmean - X(i, :)) .* randn(1, D); % Eq. (5)elseX(i, :) = Xfood + CF * (Xqmean - X(i, :)) .* randn(1, D); % Eq. (6)endend% Boundary handlingX = boundaryCheck(X, Xmin, Xmax);for i = 1:Nfitness(i, 1) = fobj(X(i, :)', func_id);if fitness(i, 1) < BestValueBestValue = fitness(i, 1);Xfood = X(i, :);endFES = FES + 1;end% Food storage[fitness, X, fitness_old, X_old] = Food_storage(fitness, X, fitness_old, X_old); % Eq. (7)Conv(t) = BestValue;t = t + 1;end
end

参考文献

[1]Fu S, Li K, Huang H, et al. Red-billed blue magpie optimizer: a novel metaheuristic algorithm for 2D/3D UAV path planning and engineering design problems[J]. Artificial Intelligence Review, 2024, 57(6): 1-89.


完整代码获取

后台回复关键词:

TGDM834

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/20810.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

牛客网刷题 | BC113 数字三角形

目前主要分为三个专栏&#xff0c;后续还会添加&#xff1a; 专栏如下&#xff1a; C语言刷题解析 C语言系列文章 我的成长经历 感谢阅读&#xff01; 初来乍到&#xff0c;如有错误请指出&#xff0c;感谢&#xff01; 描述 KiKi学习了循环&am…

华为手机开启adb的调试模式方法

1. 在设置->系统->关于手机&#xff0c;连续按几次"版本号" (注意: 在学生模式下不能使用) 2. 退到上一层&#xff0c;出现“开发人员选项”&#xff08;与“关于手机”并列&#xff09; 3. 选中“开发者选项”&#xff0c;选中“仅充电模式下允许ADB调式”&…

如何配置AI参数SK接口

如何配置AI参数SK接口 1、选择AI接口 接口选择&#xff1a;多个ai接口选择 百度文心一言&#xff1a;国内百度接口 第三方平台&#xff0c;无需自备GPT账号&#xff0c;无需反向代理&#xff0c;建议每次充值不要太多&#xff0c;不知道会不会关停跑路 自定义接口&#xff1a;…

牛客网刷题 | BC110 X形图案

目前主要分为三个专栏&#xff0c;后续还会添加&#xff1a; 专栏如下&#xff1a; C语言刷题解析 C语言系列文章 我的成长经历 感谢阅读&#xff01; 初来乍到&#xff0c;如有错误请指出&#xff0c;感谢&#xff01; 描述 KiKi学习了循环&am…

React Query:高效管理API请求与缓存

React Query 是一个强大的状态管理库&#xff0c;专门用于处理数据获取、缓存和更新&#xff0c;尤其适合与 API 交互。它提供了许多高级特性&#xff0c;如自动缓存、离线状态管理、数据过期和重新获取等。 安装&#xff1a; npm install react-query导入并配置 React Query&…

RUST宏编程入门

宏指示符 在Rust的宏编程中&#xff0c;宏可以接受多种类型的参数&#xff0c;称为“指示符”。这些指示符帮助宏识别不同类型的代码片段&#xff0c;并相应地处理它们。 这里列出全部指示符&#xff1a; blockexpr 用于表达式ident 用于变量名或函数名itemliteral 用于字面常…

Internet Download Manager (IDM) 的优势

Internet Download Manager (IDM) 的优势 Internet Download Manager (IDM) 是一款流行的下载管理器&#xff0c;广泛用于加速和管理文件下载。以下是 IDM 的主要优势&#xff1a; 1. 下载加速 多线程下载&#xff1a;IDM 使用多线程技术&#xff0c;将下载的文件分成多个部…

【算法】合并两个有序链表(easy)——递归算法

题解&#xff1a;合并两个有序链表(easy)——递归求解 目录 1.题目2.题解3.参考代码4.总结 1.题目 题目链接&#xff1a;LINK 2.题解 本题有两种解法&#xff0c; 一是用循环去处理 链接&#xff1a;【刷题记录】合并两个有序数组、移除元素二是用递归去处理 将在下面中说…

【面试题-005】Java中的类加载机制有哪些

文章目录 Java中的类加载器有哪些什么是双亲委派模型 Java中的类加载器有哪些 Java中的类加载机制是指Java虚拟机&#xff08;JVM&#xff09;将类文件&#xff08;.class文件&#xff09;加载到内存中&#xff0c;并对类进行解释和初始化的过程。类加载机制包括加载、链接&am…

树莓派通过PCA9685控制FT2331M舵机(Python)

很久之前整过PWM舵机&#xff0c;刚好最近师弟需要&#xff0c;并且网上现有教程不是很完整&#xff0c;就整理一下。方便交流以及后面回顾。 首先要明确&#xff0c;在这个控制方式中需要用到哪些方面&#xff1a; 1、树莓派与PCA9685之间使用I2C通信 2、PCA9685通讯协议 3…

Cachegrind和perf分析CPU缓存的对比

Cachegrind和perf分析CPU缓存的对比 在性能分析领域&#xff0c;尤其是CPU缓存性能分析方面&#xff0c;Cachegrind和perf是两种广泛使用的工具。本文将对这两种工具进行比较&#xff0c;帮助开发者选择最适合的工具进行性能优化。 文章目录 Cachegrind和perf分析CPU缓存的对比…

1. Mybatis基础操作

目录 1.1 需求 1.2 准备 1.3 删除 1.3.1 功能实现 1.3.2 日志输入 1.3.3 预编译SQL 1.3.3.1 介绍 1.3.3.2 SQL注入 1.3.3.3 参数占位符 1.4 新增 1.4.1 基本新增 1.4.2 主键返回 1.5 更新 1.6 查询 1.6.1 根据ID查询 1.6.2 数据封装 1.6.3 条件查询 1.6.4 参…

并发的三大特性

并发编程的三大特性是&#xff1a; 原子性&#xff08;Atomicity&#xff09;&#xff1a; 原子性是指一个操作是不可中断的&#xff0c;要么全部执行成功&#xff0c;要么全部执行失败。在多线程环境中&#xff0c;原子性操作可以防止多个线程同时修改共享资源时导致的竞态条…

C++ 变量的声明和初始化方式

下面是一些示例&#xff0c;展示了不同的初始化方式&#xff1a; double r(3.0); // 直接初始化 double s 3.0; // 复制初始化 double t{3.0}; // 列表初始化 (C11 起) 这三种方式都将创建一个 double 类型的变量&#xff0c;并将其初始化为 3.0。 这三种初始化方式在语…

Virtualbox中对SD卡进行格式化和分区

系统&#xff1a;Ubuntu 22.04.4 LTS 方法一&#xff1a;在虚拟机的ubuntu系统中使用fdisk命令方式分区&#xff0c;具体请参考&#xff1a; imx6ull - 制作烧录SD卡-CSDN博客 方法二&#xff1a;使用Ubuntu自带GUI工具Disks Disks相比命令行工具更加简单无脑&#xff0c;用…

架构师指南:服务注册发现工具全解析

1.介绍服务注册与发现的概念 1.1 微服务的挑战与服务发现的必要性 随着微服务架构的流行&#xff0c;一个应用可能被分解成多个服务单元&#xff0c;各个服务可能部署在不同的服务器上。服务之间需要相互通信&#xff0c;但是服务的位置可能频繁变动&#xff0c;这就需要一种…

Nginx配置详细解释:(1)全局配置

自启动安装nginx:前面博客有解释 systemctl stop firewalld setenforce 0 [rootNode1 ~]#:mkdir /data [rootNode1 ~]#:cd /data [rootNode1 data]#:yum -y install gcc pcre-devel openssl-devel zlib-devel openssl openssl-devel [rootNode1 data]#:wget http://nginx.o…

数据恢复大革新!EasyRecovery16版本带来UIUX及性能的重大提升

全球领先的数据恢复解决方案提供商Ontrack与其中国区总代理近日共同宣布&#xff0c;其广受欢迎的数据恢复软件EasyRecovery16迎来了重大更新&#xff0c;版本号提升至v16.0.0.5。这一更新为用户带来了一系列值得关注的新功能和改进&#xff0c;进一步巩固了EasyRecovery在数据…

Apache Calcite - 自定义标量函数

前言 上一篇文章中我们介绍了calcite中内置函数的使用。实际需求中会遇到一些场景标准内置函数无法满足需求&#xff0c;这时候就需要用到自定义函数。在 Apache Calcite 中添加自定义函数&#xff0c;以便在 SQL 查询中使用自定义的逻辑。这对于执行特定的数据处理或分析任务…

【蓝牙BR/EDR 操作概述】

基本速率/增强数据速率 (BR/EDR) 无线电&#xff08;物理层或 PHY&#xff09;在 2.4 GHz 的免许可 ISM 频段中运行。该系统采用跳频收发器来对抗干扰和衰落&#xff0c;并提供许多 FHSS 载波。基本速率无线电操作使用成形的二进制频率调制来最大限度地减少收发器的复杂性。符号…