jq网站特效插件,seo专业培训机构,wordpress 内容做成目录,如何帮别人推广赚钱目录 1.背景2.算法原理2.1算法思想2.2算法过程 3.结果展示4.参考文献 1.背景
2022年#xff0c;Xue等人受到自然界中蜣螂生存行为启发#xff0c;提出了蜣螂优化算法#xff08;Dung beetle optimizer, DBO#xff09;。
2.算法原理
2.1算法思想
DBO模拟了自然界蜣螂种… 目录 1.背景2.算法原理2.1算法思想2.2算法过程 3.结果展示4.参考文献 1.背景
2022年Xue等人受到自然界中蜣螂生存行为启发提出了蜣螂优化算法Dung beetle optimizer, DBO。
2.算法原理
2.1算法思想
DBO模拟了自然界蜣螂种群行为构建了基于滚动-产卵-觅食-偷窃模型的搜索框架。
2.2算法过程
滚球行为
在没有障碍物的情况下蜣螂利用太阳导航以保持粪球在直线上滚动其中光照的强度会影响蜣螂的路径滚球的位置更新方式 x i ( t 1 ) x i ( t ) α × k × x i ( t − 1 ) b × Δ x Δ x ∣ x i ( t ) − X w ∣ (1) \begin{aligned}x_i\left(t1\right)x_i\left(t\right)\alpha\times k\times x_i\left(t-1\right)b\times\Delta x\\\Delta x\left|x_i\left(t\right)-X^\mathrm{w}\right|\end{aligned}\tag{1} xi(t1)Δxxi(t)α×k×xi(t−1)b×Δx∣xi(t)−Xw∣(1) a为自然系数a1 表示没有偏离a-1 表示偏离原来方向Xw表示全局最差位置Δx 模拟光强的变化越大表示光照越弱。
跳舞行为:
在遇到障碍物的情况下蜣螂利用跳舞来重新定向自己以获得新的路线跳舞行为的位置更新方式: x i ( t 1 ) x i ( t ) tan ( θ ) ∣ x i ( t ) − x i ( t − 1 ) ∣ (2) x_i\left(t1\right)x_i\left(t\right)\tan(\theta)\big|x_i(t)-x_i(t-1)\big|\tag{2} xi(t1)xi(t)tan(θ) xi(t)−xi(t−1) (2) 繁殖行为:
雌性蜣螂将粪球滚到适合产卵的安全地方藏起来以此为后代提供合适的栖息地: L b ∗ m a x ( X ∗ × ( 1 − R ) , L b ) U b ∗ m i n ( X ∗ × ( 1 R ) , U b ) (3) \begin{aligned}Lb^*max\Big(X^*\times\big(1-R\big),Lb\Big)\\Ub^*min\Big(X^*\times\big(1R\big),Ub\Big)\end{aligned}\tag{3} Lb∗Ub∗max(X∗×(1−R),Lb)min(X∗×(1R),Ub)(3) 其中Lb*Ub表示产卵的区域的下界和上界X表示当前局部最优解R1-t/TmaxTmax 表示最大迭代次数LbUb 表示优化问题的下界和上界。 产卵发生的区域随迭代次数动态调整: B i ( t 1 ) X ∗ b 1 × ( B i ( t ) − L b ∗ ) b 2 × ( B i ( t ) − U b ∗ ) (4) B_{i}\left(t1\right)X^{*}b_{1}\times\left(B_{i}\left(t\right)-Lb^{*}\right)b_{2}\times\left(B_{i}\left(t\right)-Ub^{*}\right)\tag{4} Bi(t1)X∗b1×(Bi(t)−Lb∗)b2×(Bi(t)−Ub∗)(4) 其中Bi(t)表示第 t 次迭代时第 i 个卵球的位置信息。
觅食行为
一些成熟的蜣螂从地里钻出来寻找食物小蜣螂的最佳觅食区域是动态更新 L b b m a x ( X b × ( 1 − R ) , L b ) U b b m i n ( X b × ( 1 R ) , U b ) (5) \begin{aligned}Lb^\mathrm{b}max\Big(X^\mathrm{b}\times\big(1-R\big),Lb\Big)\\Ub^\mathrm{b}min\Big(X^\mathrm{b}\times\big(1R\big),Ub\Big)\end{aligned}\tag{5} LbbUbbmax(Xb×(1−R),Lb)min(Xb×(1R),Ub)(5) 其中Xb 表示全局最优位置LbbUbb 分别表示最佳觅食区域的下界和上界。 小蜣螂的位置更新: x i ( t 1 ) x i ( t ) C 1 × ( x i ( t ) − L b ♭ ) C 2 × ( x i ( t ) − U b ♭ ) (6) x_{i}\left(t1\right)x_{i}\left(t\right)C_{1}\times\left(x_{i}\left(t\right)-Lb^{\flat}\right)C_{2}\times\left(x_{i}\left(t\right)-Ub^{\flat}\right)\tag{6} xi(t1)xi(t)C1×(xi(t)−Lb♭)C2×(xi(t)−Ub♭)(6)
偷窃行为
有些蜣螂会偷其他蜣螂的粪球位置更新 x i ( t 1 ) X ♭ S × g × { ∣ x i ( t ) − X ∗ ∣ ∣ x i ( t ) − X ♭ ∣ } (7) x_{i}\left(t1\right)X^{\flat}S\times g\times\left\{\left|x_{i}\left(t\right)-X^{\ast}\right|\left|x_{i}\left(t\right)-X^{\flat}\right|\right\}\tag{7} xi(t1)X♭S×g×{∣xi(t)−X∗∣ xi(t)−X♭ }(7) 其中g 是大小为 1×d 服从正态分布的随机向量S 是常量。
伪代码
3.结果展示 4.参考文献
[1] Xue J, Shen B. Dung beetle optimizer: A new meta-heuristic algorithm for global optimization[J]. The Journal of Supercomputing, 2023, 79(7): 7305-7336.
