一种多策略改进黑翅鸢智能优化算法IBKA（2024年新出优化算法） 种群初始化精英反向策略+透镜成像反向学习策略+黄金正弦变异策略

---

前言

一种多策略改进黑翅鸢智能优化算法IBKA（2024年新出优化算法） 种群初始化精英反向策略+透镜成像反向学习策略+黄金正弦变异策略

一、黑翅鸢BKA算法基本原理

BKA算法的详细原理和对应公式如下：

黑翅鸢（Black Kite）优化算法（BKA）是一种基于鸟类捕食行为启发的群体智能算法。其基本原理如下：

1. 种群初始化：初始时，随机生成一定数量的个体作为初始种群。

2. 捕食行为模拟：模拟黑翅鸢的捕食行为，即通过观察和调整飞行路径来捕捉猎物。在算法中，个体代表潜在解决方案，而解决方案的质量则决定了其在搜索空间中的适应度。

3. 飞行和调整：每个个体在搜索空间中飞行，尝试找到更好的解决方案。这可以通过随机移动或根据某种策略进行调整来实现。

4. 信息交流：个体之间可能通过某种方式进行信息共享，以增加全局搜索的效率，模拟鸟群中的信息传递行为。

5. 适应度评估：根据问题的具体评价函数，计算每个个体的适应度，以确定其在解空间中的优劣。

6. 迭代优化：通过多次迭代，在搜索空间中逐步优化个体，直到达到满意的解决方案或达到预设的迭代次数。

黑翅鸢优化算法通常用于解决复杂的优化问题，其灵感来源于自然界中鸟类的捕食行为，通过模拟鸟类的智能搜索和适应能力来进行全局优化搜索。

二、改进黑翅鸢优化IBKA

改进1：种群初始化精英反向策略

function Positions=initializationNew(SearchAgents_no,dim,ub,lb,fun)
Boundary_no= size(ub,2); % numnber of boundaries
BackPositions = zeros(SearchAgents_no,dim);
% If each variable has a different lb and ub
if Boundary_no>1
    for i=1:dim
        ub_i=ub(i);
        lb_i=lb(i);
        PositionsF(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
         %求取反向种群
        BackPositions(:,i) =  (ub_i+lb_i) - PositionsF(:,i);
    end
end
%获取精英种群
index = zeros(size(PositionsF,1));
for i = 1:size(PositionsF,1)
   if(fun(PositionsF(i,:))<fun(BackPositions(i,:)))%原始解比反向解更好，即为精英解
       index(i) = 1;
   else%反向解更好的付给原始解
       PositionsF(i,:) = BackPositions(i,:);
   end
end
XJY = PositionsF(index == 1,:);
end

改进2：非线性下降因子

    for i=1:pop
        %% LOBL strategy

        k=(1+(t/T)^0.5)^10;
        XPosNew(i,:) = (ub+lb)/2+(ub+lb)/(2*k)-XPos(i,:)/k;
    end

改进3：黄金正弦变异策略

        %% ★★改进3：黄金正弦变异
            r=rand;
            r1=(2*pi)*r;
            r2=r*pi;
            for vv = 1:dim % in j-th dimension
                temp(j,vv) = X(j,vv)*abs(sin(r1)) - r2*sin(r1)*abs(x1*Best_pos(1,vv)-x2*X(1,vv));   %黄金正弦计算公式
            end
            Flag4ub=temp(j,:)>ub;
            Flag4lb=temp(j,:)<lb;
            temp(j,:)=(temp(j,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;  
            if fobj(temp(j,:)) < fobj(X(j, :))
                X(j, :) = temp(j,:);
            end

程序内容

三、实验结果

主函数程序

%%  参数设置
SearchAgents = 30;                         % population members 
Max_iterations = 500;                      % maximum number of iteration
number = 'F23';                            % 选定优化函数，自行替换:F1~F23
[lb,ub,dim,fobj] = CEC2005(number);        % [lb,ub,D,y]：下界、上界、维度、目标函数表达式

%% 循环实验
for i = 1:1
%% IBKA
[IBKA_Best_score,IBKA_Best_pos,IBKA_cg_curve]=IBKA(SearchAgents,Max_iterations,lb,ub,dim,fobj); 
IBKA_fitness(i) = IBKA_Best_score;
%% BKA
[BKA_Best_score,BKA_Best_pos,BKA_cg_curve]=BKA(SearchAgents,Max_iterations,lb,ub,dim,fobj);
BKA_fitness(i)= BKA_Best_score;
end

获取

私信即可

总结

利用该优化算法对机器学习和深度学习进行优化
先用就是创新
包括但不限于
优化BP神经网络，深度神经网络DNN，极限学习机ELM，鲁棒极限学习机RELM，核极限学习机KELM，混合核极限学习机HKELM，支持向量机SVR，相关向量机RVM，最小二乘回归PLS，最小二乘支持向量机LSSVM，LightGBM，Xgboost，RBF径向基神经网络，概率神经网络PNN，GRNN，Elman，随机森林RF，卷积神经网络CNN，长短期记忆网络LSTM，BiLSTM，GRU，BiGRU，TCN，BiTCN，CNN-LSTM，TCN-LSTM，BiTCN-BiGRU，LSTM–Attention，VMD–LSTM，PCA–BP等等

用于数据的分类，时序，回归预测。
多特征输入，单输出，多输出