网站开发 英文,在自己的网站做外链,设计教育网站,苏州网站建设推广案例目录 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;Zhao等人受到海马自然社会行为启发#xff0c;提出了海马优化算法#xff08;Sea-horse Optimizer, SHO#xff09;。
2.算法原理
2.1算法思想
SHO模拟了海马群在自然界中的… 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Zhao等人受到海马自然社会行为启发提出了海马优化算法Sea-horse Optimizer, SHO。
2.算法原理
2.1算法思想
SHO模拟了海马群在自然界中的运动、捕食和繁殖行为。
2.2算法过程
海马探索阶段主要负责全局探索海马个体通过正态分布 r1 选择运动模式莱维飞行布朗随机游走进行位置更新表述为 X n e w 1 ( t 1 ) { X i ( t ) L e v y ( λ ) ( ( X e l i t e ( t ) − X i ( t ) ) × x × y × z X e l i t e ) r 1 0 X i ( t ) r a n d ∗ l ∗ β t ∗ ( X i ( t ) − β t ∗ X e l i t e ) r 1 ≤ 0 (1) \left.X_{new}^{1}(t1)\left\{\begin{array}{ll}X_{i}(t)Levy(\lambda)((X_{elite}\left(t\right)-X_{i}\left(t\right))\times x\times y\times zX_{elite})r_{1}0\\\\X_{i}\left(t\right)rand^{*}l^{*}\beta_{t}{}^{*}\left(X_{i}\left(t\right)-\beta_{t}{}^{*}X_{elite}\right)r_{1}\leq0\end{array}\right.\right.\tag{1} Xnew1(t1)⎩ ⎨ ⎧Xi(t)Levy(λ)((Xelite(t)−Xi(t))×x×y×zXelite)Xi(t)rand∗l∗βt∗(Xi(t)−βt∗Xelite)r10r1≤0(1) 海马捕食阶段主要根据探索阶段选出的最优个体进行局部探索。该阶段采用捕食成功概率来选择不同运动模式其中捕食成功概率超过 90%。 X n e w 2 ( t 1 ) { α ∗ ( X e l i t e − r a n d ∗ X n e w 1 ( t ) ) ( 1 − α ) ∗ X e l i t e i f r 2 0.1 ( 1 − α ) ∗ ( X n e w 1 ( t ) − r a n d ∗ X e l i t e ) α ∗ X n e w 1 ( t ) i f r 2 ≤ 0.1 (2) X_{new}^2\left(t1\right)\begin{cases}\alpha^*\left(X_{elite}-rand^*X_{new}^1\left(t\right)\right)(1-\alpha)^*X_{elite}ifr_20.1\\\\(1-\alpha)^*\left(X_{new}^1\left(t\right)-rand^*X_{elite}\right)\alpha^*X_{new}^1\left(t\right)ifr_2\leq0.1\end{cases}\tag{2} Xnew2(t1)⎩ ⎨ ⎧α∗(Xelite−rand∗Xnew1(t))(1−α)∗Xelite(1−α)∗(Xnew1(t)−rand∗Xelite)α∗Xnew1(t)ifr20.1ifr2≤0.1(2) 海马移动步长a表述为 α ( 1 − t T ) 2 t T (3) \alpha\left(1-\frac tT\right)^{\frac{2t}T}\tag{3} α(1−Tt)T2t(3) 海马群繁殖阶段主要进行局部寻优。在该阶段海马子代会随机继承探索和捕食阶段父母双方的基因以寻找最优个体。具体位置更新公式为: X i o f f s p r i n g r 3 X i f a t h e r ( 1 − r 3 ) X i m o t h e r (4) X_i^{offspring}r_3X_i^{father}(1-r_3)X_i^{mother}\tag{4} Xioffspringr3Xifather(1−r3)Ximother(4)
伪代码
3.结果展示 4.参考文献
[1] Zhao S, Zhang T, Ma S, et al. Sea-horse optimizer: A novel nature-inspired meta-heuristic for global optimization problems[J]. Applied Intelligence, 2023, 53(10): 11833-11860.
