智能优化算法：黑翅鸢优化算法

智能优化算法：黑翅鸢优化算法

1.算法原理

1.1 初始化种群阶段

1. 初始化种群位置，每只黑翅鸢的位置如式(1)所示。

$$\mathbf{X}=\left[\begin{array}{cccccc}{X}_{1,1}& X_{1,2}& X_{1,3}& \cdots & \cdots & X_{1,n}\\ X_{2,1}& X_{2,2}& X_{2,3}& \cdots & \cdots & X_{2,n}\\ ⋮& ⋮& \ddots & ⋮& ⋮& ⋮\\ ⋮& ⋮& ⋮& X_{i,j}& ⋮& ⋮\\ X_{m-1,1}& X_{m-1,2}& \cdots & \cdots & \ddots & X_{m-1,n}\\ X_{m,1}& X_{m,2}& \cdots & \cdots & X_{m,n-1}& X_{m,n}\end{array}\right]\text{\hspace{1em}(1)}$$

式中：$\mathbf{X}$——初始黑翅鸢种群的位置；$m$——潜在解决方案的数量；$n$——维度；$X_{i,j}$——第 $i$ 只黑翅鸢的第 $j$ 维度，其中 $i=1,2,\dots ,m$；$j=1,2,\dots ,n$。

2. 均匀分配每一只黑翅鸢的初始位置。

$$Y_Q=Y_{\min }+\text{rand}\cdot (Y_{\max }-Y_{\min })\text{\hspace{1em}(2)}$$

式中：$Q$——介于 $1$ 和 $m$ 之间的整数；$Y_{\min }$——第 $j$ 维中第 $i$ 只黑翅鸢的下界；$Y_{\max }$——第 $j$ 维中第 $i$ 只黑翅鸢的上界。

3. 在初始化过程中，选择最优适应度值的个体作为初始种群中的领导者 $X_L$，这是黑翅鸢的最佳位置，其数学模型为：

$$\{\begin{array}{l}{f}_{\text{best}}=\min (f(X_k))\\ X_L=X(\text{find}(f_{\text{best}}=f(X_k)))\end{array}\text{\hspace{1em}(3)}$$

式中：$f_{\text{best}}$——最佳适应度；$X_k$——第 $k$ 只黑翅鸢；$\text{find}$——判断函数。

1.2 攻击行为阶段

黑翅鸢攻击行为的数学模型可表示为：

$$n=0.05\times {\mathrm{e}}^{-2\times {\left(\frac{t}{T}\right)}^2}\text{\hspace{1em}(4)}$$

$$y_{t+1}^{ij}=\{\begin{array}{ll}{y}_t^{ij}+n(1+\sin r)\times y_t^{ij},& 0.9<r\\ y_t^{ij}+n(2r-1)\times y_t^{ij},& \text{其他}\end{array}\text{\hspace{1em}(5)}$$

式中：$t$——到目前为止已完成的迭代次数；$T$——迭代总数；$y_{t+1}^{ij}$——第 $(t+1)$ 迭代步骤中第 $i$ 只黑翅鸢在第 $j$ 维度中的位置。

1.3 迁徙行为阶段

黑翅鸢算法引入鸟类迁徙机制，若当前种群适应度劣于随机种群，领航个体将主动放弃领导权并融入迁徙群体，反映出该个体不再具备引领种群进化的能力；反之，若当前种群表现出更优的适应度，则继续执行导航职能直至种群抵达目标区域。该迁徙行为的数学模型为：

$$m=2\times \sin \left(r+\frac{\pi }{2}\right)\text{\hspace{1em}(6)}$$

$$y_{t+1}^{ij}=\{\begin{array}{ll}{y}_t^{ij}+C(0,1)\times \left(y_t^{ij}-L_t^j\right),& F_i<F_{ri}\\ y_t^{ij}+C(0,1)\times \left(L_t^j-m\times y_t^{ij}\right),& \text{其他}\end{array}\text{\hspace{1em}(7)}$$

式中：$C(0,1)$——柯西变异算子，其数学模型如式(8)、式(9)所示；$L_t^j$——在第 $t$ 次迭代时第 $j$ 维度中黑翅鸢的领导者；$F_i$——当前迭代中黑翅鸢个体在第 $j$ 维的位置；$F_{ri}$——随机选取的黑翅鸢个体在第 $j$ 维位置的适应度值。

2.算法结果Matlab&Python

3.参考文献

【1】 Wang J, Wang W C, Hu X X, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering problems[J]. Artificial Intelligence Review, 2024, 57(4): 98.