郑州餐饮网站建设公司,小浣熊做单网站,h5海报怎么制作,江宁网站建设哪家好目录 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;Naruei等人受到自然界动物猎食过程启发#xff0c;提出了猎人猎物算法#xff08;Hunter-Prey Optimization#xff0c; HPO#xff09;。
2.算法原理
2.1算法思想
HPO模拟… 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Naruei等人受到自然界动物猎食过程启发提出了猎人猎物算法Hunter-Prey Optimization HPO。
2.算法原理
2.1算法思想
HPO模拟了自然界中动物的捕猎过程算法的核心思想是猎人追逐被捕猎物远离群体的个体并根据被捕猎物的平均位置调整自身位置而被捕猎物也动态调整自身位置以更安全地躲避捕食者。
2.2算法过程
猎人捕猎 x ( t 1 ) x ( t ) 0.5 [ ( 2 C Z P pos − x ( t ) ) ( 2 ( 1 − C ) Z μ − x ( t ) ) ] (1) \begin{aligned}\boldsymbol{x}(t1)\boldsymbol{x}(t)0.5[(2C\boldsymbol{Z}\boldsymbol{P}_{\text{pos}}-\boldsymbol{x}(t))(2(1-C)\boldsymbol{Z}\boldsymbol{\mu}-\boldsymbol{x}(t))]\end{aligned}\tag{1} x(t1)x(t)0.5[(2CZPpos−x(t))(2(1−C)Zμ−x(t))](1) 其中xt表示猎人当前时刻的位置xt1表示猎人下一时刻的位置Ppos是当前猎人所追逐猎物的位置一般选择距离种群平均位置最远个体作为Pposμ是当前种群中所有个体位置的平均值C是探索与开发之间的平衡参数Z 是算法的自适应参数μ、C 和 Z 的计算公 式分别为 μ 1 N ∑ i 1 N x i C 1 − t × ( 0.98 / M a x I t ) Z R 2 × I D X R 3 ⊗ ( ∼ I D X ) I D X R 1 C (2) \begin{aligned} \boldsymbol{\mu}\frac1N\sum_{i1}^{N}\boldsymbol{x}_{i} \\ C1-t\times(0.98/MaxIt) \\ ZR2\times\mathbf{IDX}R3\otimes(\sim\mathbf{IDX}) \\ \mathbf{IDX}\mathbf{R}\mathbf{1}C \end{aligned}\tag{2} μN1i1∑NxiC1−t×(0.98/MaxIt)ZR2×IDXR3⊗(∼IDX)IDXR1C(2)
猎物移动 x i ( t 1 ) T p o s C Z c o s ( 2 π R 4 ) × ( T p o s − x i ( t ) ) (3) x_{i}(t1)\boldsymbol{T}_{\mathrm{pos}}\boldsymbol{CZ}cos(2\pi R4)\times(\boldsymbol{T}_{\mathrm{pos}}-\boldsymbol{x}_{i}(t))\tag{3} xi(t1)TposCZcos(2πR4)×(Tpos−xi(t))(3) HPO的关键是猎人和猎物的身份选择判断搜索代理以猎人或猎物的身份来进行信息更新 x i ( t 1 ) { x i ( t ) 0.5 [ ( 2 C Z P p o s − x i ( t ) ) ( 2 ( 1 − C ) Z μ − x i ( t ) ) ] , R 5 β x i ( t 1 ) T p o s C Z c o s ( 2 π R 4 ) × ( T p o s − x i ( t ) ) , o t h e r w i s e (4) \boldsymbol{x}_i(t1)\begin{cases}\boldsymbol{x}_i(t)0.5[(2C\boldsymbol{Z}\boldsymbol{P}_{\mathrm{pos}}-\boldsymbol{x}_i(t))(2(1-\boldsymbol{C})\boldsymbol{Z}\boldsymbol{\mu}-\boldsymbol{x}_i(t))],\boldsymbol{R}\boldsymbol{5}\boldsymbol{\beta}\\\boldsymbol{x}_i(t1)\boldsymbol{T}_{\mathrm{pos}}C\boldsymbol{Z}cos(2\pi R4)\times(\boldsymbol{T}_{\mathrm{pos}}-\boldsymbol{x}_i(t)),otherwise\end{cases}\quad\tag{4} xi(t1){xi(t)0.5[(2CZPpos−xi(t))(2(1−C)Zμ−xi(t))],R5βxi(t1)TposCZcos(2πR4)×(Tpos−xi(t)),otherwise(4) 其中R5是01内随机数β为调节参数值为0.2。如果R5β则将该搜索代理视为猎人根据猎人捕猎机制更新位置如果R5≥β则将该搜索代理视为猎物根据猎物移动机制更新位置。
流程图
3.结果展示 4.参考文献
[1] Naruei I, Keynia F, Sabbagh Molahosseini A. Hunter–prey optimization: Algorithm and applications[J]. Soft Computing, 2022, 26(3): 1279-1314.
