瞪羚优化算法(Gazelle Optimization Algorithm,GOA)

news2024/12/28 14:04:22

瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效。
瞪羚的身高60-110厘米,体重13-29千克。该属物种有像小鹿一样的浅棕色皮毛,身体的下部一般是白色的。然而,有些个体在背部和腹部的相邻部分有一个长长的黑色标记。雄性瞪羚有长而弯曲的角。瞪羚体质强壮,是非常敏捷的动物;脚上有4趾,但侧趾比鹿类更加退化,有适合长跑的腿,适于奔跑。可以以每小时50公里的速度持续奔跑。
在这里插入图片描述
瞪羚一般生活在沙漠和半沙漠、干旱的草原、树木繁茂的稀树草原、灌木丛生的草原、丘陵和浅林中。瞪羚是高度社会化的动物,所有的瞪羚都是群居的。一些群有多达700名成员,尽管一些瞪羚群很小并且按性别隔离。例如,雌性和年轻的幼羚生活在一起,还生活在10-30只雌性的群中。雄性单独生活或自己组群与其他雄性一起生活。雄性族群被称为单身汉族群。在迁徙过程中,雌雄混群,在交配季节,畜群的隔离更为突出,但只要有繁殖机会,它们就会被领地雄性分开。
瞪羚优化算法包含全局搜索,局部搜索和瞪羚逃生三个阶段:

一、种群随机初始化

 Elite  = [ x 1 , 1 ′ x 1 , 2 ′ ⋯ x 1 , d − 1 ′ x 1 , d ′ x 2 , 1 ′ x 2 , 2 ′ ⋯ x 2 , d − 1 ′ x 2 , d ′ ⋮ ⋮ x i , j ′ ⋮ ⋮ x n , 1 ′ x n , 2 ′ ⋯ x n , d − 1 ′ x n , d ′ ] \text { Elite }=\left[\begin{array}{lllll} x_{1,1}^{\prime} & x_{1,2}^{\prime} & \cdots & x_{1, d-1}^{\prime} & x_{1, d}^{\prime} \\ x_{2,1}^{\prime} & x_{2,2}^{\prime} & \cdots & x_{2, d-1}^{\prime} & x_{2, d}^{\prime} \\ \vdots & \vdots & x_{i, j}^{\prime} & \vdots & \vdots \\ x_{n, 1}^{\prime} & x_{n, 2}^{\prime} & \cdots & x_{n, d-1}^{\prime} & x_{n, d}^{\prime} \end{array}\right]  Elite = x1,1x2,1xn,1x1,2x2,2xn,2xi,jx1,d1x2,d1xn,d1x1,dx2,dxn,d
其中, x i , j = rand ⁡ × ( U B j − L B j ) + L B j x_{i, j}=\operatorname{rand} \times\left(\mathrm{UB}_{j}-\mathrm{LB}_{j}\right)+\mathrm{LB}_{j} xi,j=rand×(UBjLBj)+LBj
瞪羚优化算法中涉及布朗运动及莱维飞行:

1.1布朗运动

布朗运动是悬浮微粒被分子撞击后做无规则运动。布朗运动是将看起来连成一片的液体,在高倍显微镜下看其实是由许许多多分子组成的。液体分子不停地做无规则的运动,不断地随机撞击悬浮微粒。当悬浮的微粒足够小的时候,由于受到的来自各个方向的液体分子的撞击作用是不平衡的。在某一瞬间,微粒在另一个方向受到的撞击作用超强的时候,致使微粒又向其它方向运动,这样就引起了微粒的无规则的运动,即布朗运动。布朗运动满足正态(高斯)概率分布函数:
f B ( x ; μ , σ ) = 1 2 π σ 2 exp ⁡ ( − ( x − μ ) 2 2 σ 2 ) = 1 2 π exp ⁡ ( − x 2 2 ) f_{B}(x ; \mu, \sigma)=\frac{1}{\sqrt{2 \pi \sigma^{2}}} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)=\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{x^{2}}{2}\right) fB(x;μ,σ)=2πσ2 1exp(2σ2(xμ)2)=2π 1exp(2x2)

1.2莱维飞行

莱维飞行以法国数学家保罗·莱维命名,指的是步长的概率分布为重尾分布的随机行走,也就是说在随机行走的过程中有相对较高的概率出现大跨步。与步长分布没有重尾的随机行走相比,莱维飞行的运动轨迹就像时不时可以飞行一样,故名。当随机行走的空间维数高于一维时,莱维飞行通常还要求步长分布是各向同性的。
L ( x j ) ≈ ∣ x j ∣ 1 − α L\left(x_{j}\right) \approx\left|x_{j}\right|^{1-\alpha} L(xj)xj1α
f L ( x ; α , γ ) = 1 π ∫ 0 ∞ exp ⁡ ( − γ q α ) cos ⁡ ( q x ) δ q f_{L}(x ; \alpha, \gamma)=\frac{1}{\pi} \int_{0}^{\infty} \exp \left(-\gamma q^{\alpha}\right) \cos (\mathrm{qx}) \delta q fL(x;α,γ)=π10exp(γqα)cos(qx)δq
Levy ⁡ ( α ) = 0.05 × x ∣ y ∣ 1 α \operatorname{Levy}(\alpha)=0.05 \times \frac{x}{|y|^{\frac{1}{\alpha}}} Levy(α)=0.05×yα1x
其中, σ x = [ Γ ( 1 + α ) sin ⁡ ( π α 2 ) Γ ( ( 1 + α ) 2 ) α 2 ( α − 1 ) 2 ] 1 / α , σ y = 1 , α = 1.5 , x = Normal ⁡ ( 0 , σ x 2 ) , y = Normal ⁡ ( 0 , σ y 2 ) \sigma_{x}=\left[\frac{\Gamma(1+\alpha) \sin \left(\frac{\pi \alpha}{2}\right)}{\Gamma\left(\frac{(1+\alpha)}{2}\right) \alpha 2^{\frac{(\alpha-1)}{2}}}\right]^{1 / \alpha},\sigma_{y}=1, \alpha=1.5,x=\operatorname{Normal}\left(0, \sigma_{x}^{2}\right) , y=\operatorname{Normal}\left(0, \sigma_{y}^{2}\right) σx=[Γ(2(1+α))α22(α1)Γ(1+α)sin(2πα)]1/ασy=1,α=1.5x=Normal(0,σx2)y=Normal(0,σy2)

二、全局搜索

该阶段模拟瞪羚在没有捕食者或者捕食者跟踪情形下的自由放牧,瞪羚采取布朗运动,其位置更新如下:
在这里插入图片描述

 gazelle  i + 1 =  gazelle  i + S . R ∗ . R B ∗ (  Elite  i − R B ∗  gazelle  i ) \text { gazelle }_{i+1}=\text { gazelle }_{i}+S . R * . R_{B} *\left(\text { Elite }_{i}-R_{B} * \text { gazelle } _{i})\right.  gazelle i+1= gazelle i+S.R.RB( Elite iRB gazelle i)
其中,S表示瞪羚的移动速度, R B R_{B} RB表示基于布朗运动的随机向量,R是在取值为0~1之间的随数。

三、局部搜索

该阶段模拟瞪羚发现捕食者后的逃跑行为,分为两个阶段,并且每个阶段都依据迭代次数的奇偶性而采取两种相反运动。第一阶段:瞪羚在发现捕食者前期采取莱维飞行;第二阶段:瞪羚在发现捕食者后期采取布朗运动。
在这里插入图片描述

3.1第一阶段

瞪羚在发现捕食者的前期采取莱维飞行
 gazelle  i + 1 =  gazelle  i + S ⋅ μ ⋅ R ∗ ⋅ R L ∗ .  (  Elite  i − R L ∗  gazelle  i ) \text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot R * \cdot R_{L} * \text {. }\left(\text { Elite }_{i}-R_{L} * \text { gazelle }_{i}\right)  gazelle i+1= gazelle i+SμRRL( Elite iRL gazelle i)
其中, μ \mu μ为-1或1,表示两种运动方向; R L R_{L} RL表示基于 Lévy 分布的随机数向量。

3.2第二阶段

瞪羚在发现捕食者的后期采取布朗运动
 gazelle  i + 1 =  gazelle  i + S ⋅ μ ⋅ C F ∗ . R B ∗ (  Elite  i − R L ∗ ⋅  gazelle  i ) \text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot CF * . R_{B} *\left(\text { Elite }_{i}-R_{L} * \cdot \text { gazelle }_{i}\right)  gazelle i+1= gazelle i+SμCF.RB( Elite iRL gazelle i)
其中, C F = ( 1 − i t e r  Maxiter  ) ( 2  iter   Maxiter  ) C F=\left(1-\frac{i t e r}{\text { Maxiter }}\right)^{\left(2 \frac{\text { iter }}{\text { Maxiter }}\right)} CF=(1 Maxiter iter)(2 Maxiter  iter )表示捕食者的累积效应。

四、瞪羚逃生

瞪羚面对捕食者时的存活率为0.66,这意味着捕食者有34%的机会狩猎成功,用PSRs表示捕食者的狩猎成功率,并以此对瞪羚逃生过程建立数学模型:
 gazelle  i + 1 = {  gazelle  i + C F [ L B + R ∗ . ( U B − L B ) ] ∗ . U  if  r ≤ P S R s  gazelle  i + [ P S R s ( 1 − r ) + r ] (  gazell  r 1 −  gazelle  r 2 )  else  \text { gazelle }_{i+1}=\left\{\begin{array}{ll} \text { gazelle }_{i}+C F[L B+R * .(U B-L B)] * . U & \text { if } r \leq P S R s \\ \text { gazelle }_{i}+[P S R s(1-r)+r]\left(\text { gazell }_{r_{1}}-\text { gazelle }_{r_{2}}\right) & \text { else } \end{array}\right.  gazelle i+1={ gazelle i+CF[LB+R.(UBLB)].U gazelle i+[PSRs(1r)+r]( gazell r1 gazelle r2) if rPSRs else 
其中,r为0~1之间的随机数。

五、GOA算法描述

在这里插入图片描述

五、GOA算法流程

在这里插入图片描述

参考文献:Agushaka, J.O., Ezugwu, A.E. & Abualigah, L. Gazelle optimization algorithm: a novel nature-inspired metaheuristic optimizer. Neural Comput & Applic (2022). https://doi.org/10.1007/s00521-022-07854-6

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.coloradmin.cn/o/1704.html

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,一经查实,立即删除!

相关文章

【Linux】基本指令(上)

​🌠 作者:阿亮joy. 🎆专栏:《学会Linux》 🎇 座右铭:每个优秀的人都有一段沉默的时光,那段时光是付出了很多努力却得不到结果的日子,我们把它叫做扎根 目录👉操作系统&…

Linux - 第2节 - Linux环境基础开发工具使用

1.Linux 软件包管理器 yum centos 7中安装软件的方式: (1)源码安装 (2)rpm包安装 (3)yum安装 yum安装的好处: (1)不用编译源码 (2)不用…

赶紧进来看看---C语言实现学生信息管理系统(2.0动态内存版)

本文介绍了将学生信息管理系统静态版本改造为动态内存版本,主要涉及改造思路,枚举类型的使用,动态内存函数和柔性数组的使用,动手写程序才能使基础知识更为牢固…(文章最后有源码展示) 学生信息管理系统1.0静态版->学生信息管理系统2.0动态内存版 c语言实现学生信息管理系统…

在python中使用ggplot2

python的ggplot2库:plotnine > 一.安装方法: pip install plotnine使用的编译器:pycharm 二.plotnine绘图 1.第一个图形 除了导包的操作不一致,其他类似 from plotnine import ggplot, geom_point, aes, stat_smooth, facet_wrap fr…

70.【JavaScript 6.0】

前端三要素1.前端三要素2.引入JavaScript3.JavaScript基本语法入门4.数据类型5.严格检查模式( use strict)6.Map和Set7.函数的定义和参数获取8.变量的作用域(局部 全局)-------> 和Java一样9.全局规范:10.方法的定义和调用11.内部对象1.Date--------->日期2.JSON--------…

自定义mybatis插件实现sql日志打印

自定义mybatis插件实现sql日志打印 mysql插件实现原理 官网的关键信息 参考文档 https://mybatis.org/mybatis-3/zh/configuration.html#plugins 官方文档 MyBatis 允许你在映射语句执行过程中的某一点进行拦截调用。默认情况下,MyBatis 允许使用插件来拦截的方…

【JavaSE】一篇文章领悟Java运算符

前言: 作者简介:爱吃大白菜1132 人生格言:纸上得来终觉浅,绝知此事要躬行 如果文章知识点有错误的地方不吝赐教,和大家一起学习,一起进步! 如果觉得博主文章还不错的话,希望三连支持&#xff01…

Java项目:超市管理系统(java+SSM+JSP+LayUI+jQ+Mysql)

源码获取:俺的博客首页 "资源" 里下载! 项目介绍 本项目分为超级管理员、总经理、店长、员工等角色,超级管理员可添加修改删除角色并进行角色菜单配置; 超级管理员角色包含以下功能: 商品管理:添…

C语言高级-4栈

14天阅读挑战赛 目录 一、栈的原理 1、栈的定义 2、栈的应用 (1)选课问题 (2)旅游:怎么样把每个城市去且仅去一遍? (3)栈的使用场景 (4)思考&#xf…

C++多态之虚函数表详解及代码示例

引言 C相对其他面向对象语言来说,之所以灵活、高效。很大程度的占比在于其多态技术和模板技术。C虚函数表是支撑C多态的重要技术,它是C动态绑定技术的核心。 如果对多态还不了解的小伙伴,可以点这里C多态详解基础篇。 在不考虑继承的情况下…

Vue3 Hooks 模块化抽离

Vue3中的Hooks 其实就是业务逻辑的抽离,跟Vue2中mixin 本质上是一样的:将当前组件的业务逻辑抽离到一个公共的文件中,提高逻辑复用性,让当前组件看起来更加清爽,不太一样的地方是我们封装hooks 的时候一般是返回一个函…

如何不改动 GatewayWorker 依赖包下自定义协议

前言: GatewayWorker 是 Workerman 的一个框架,对应用层开发者更友好。GatewayWorker 多了一个网关,也就是 Gateway,负责与客户端连接,消息转发等。而自定义的协议,也就是 gateway 面向客户端提供服务的协议…

java毕业设计——基于java+JDBC+sqlserver的物业管理系统设计与实现(毕业论文+程序源码)——物业管理系统

基于javaJDBCsqlserver的物业管理系统设计与实现(毕业论文程序源码) 大家好,今天给大家介绍基于javaJDBCsqlserver的物业管理系统设计与实现,文章末尾附有本毕业设计的论文和源码下载地址哦。 文章目录: 基于javaJDB…

【H5微信授权】简单实现H5页面微信授权功能,微信开发者工具报错 系统错误,错误码-1,undefined解决办法【详细】

前言 最近写到了H5公众号,需要微信授权的功能。 这里记录一下授权的流程和踩了个坑 图片 授权代码执行后会跳转到授权的地方,没有授权的会有确认授权,授权过得会这样,直接自动登录,然后再跳转到中转页 授权流程 …

204 - 205.表的基本用法

表的基本操作 1.基本概念 1.1数据库和表的关系 每个数据库包含N张表,及表示在库中 1.2 表(二维表) 行和列组成,可以将复杂的数据保存在简单的表中 表中的每一行就是一条完整的记录 表中的列用于保存每条记录中特点的信息 2.…

【Redis】散列表(Hash)和列表(List)的运用和理解以及Hash和List应用场景对比详解

文章目录一. 散列表(hash)1.1 基本操作1.2 当value字符串的内容是数字时二.列表(List)2.1 基本操作三.Hash和List的应用场景3.1Hash的应用场景3.2List的应用场景一. 散列表(hash) Redis哈希是字符串类型字段和值的映射表。哈希特别适合存储对象。 Redis中…

mindspore.dataset的map问题

1、创建一个包含transform的自定义类并实例化 2. 类的实现如下: 请注意:在call函数中,我并没有调用init中定义的transform操作。 3. ImageFolder_forPretrain的定义如下。 在划红线的那行,出现错误。 错误信息: 疑问…

【Spark】spark-submit作业提交及参数设定

note 文章目录note一、Spark的常用启动方式1.1 local本地模式1.2 Standalone模式1.3 Spark on Yarn模式二、spark-submit 详细参数说明--master--deploy-mode--class--name--jars--packages--exclude-packages--repositories--py-files--files--conf PROPVALUE--properties-fil…

【趣学算法】Day3 贪心算法——背包问题

14天阅读挑战赛努力是为了不平庸~ 算法学习有些时候是枯燥的,这一次,让我们先人一步,趣学算法! ❤️一名热爱Java的大一学生,希望与各位大佬共同学习进步❤️ 🧑个人主页:周小末天天开心 各位大…

tomcat应用部署

目录 tomcta介绍 tomcat安装 每个目录的作用 端口 实验开始 安装,启动MySQL 创建数据库 更改数据库连接 项目导入tomcat和数据库查看 重启tomcat 访问应用 【注意】 tomcta介绍 Tomcat的是完全开源的 Tomcat的是免费的 Tomcat不支持EJB 应用范围&#xff1…