一种多策略改进飞蛾扑火智能优化算法IMFO 种群初始化精英反向策略+柯西变异策略

---

前言

一种多策略改进飞蛾扑火智能优化算法IMFO 种群初始化精英反向策略+柯西变异策略

飞蛾扑火优化算法（MFO）基于飞蛾扑火的自然行为。其详细原理如下：

1. 初始化：在搜索空间中随机生成一组初始解，代表飞蛾的初始位置。

2. 光源定位：选择目标最优解或光源位置，模拟飞蛾被光源吸引的过程。

3. 更新位置：

   • 围绕光源：飞蛾围绕光源做螺旋状运动，通过改变飞蛾的位置更新公式，使其逐步靠近光源。
   • 局部搜索：在飞蛾的位置附近进行局部搜索，模拟飞蛾在光源附近的探索行为。

4. 更新光源：根据飞蛾的位置和目标的适应度，更新光源位置，以反映当前找到的最优解。

5. 终止条件：重复更新过程，直到满足设定的停止条件，如达到最大迭代次数或解的改进幅度小于阈值。

MFO的核心在于模拟飞蛾的行为，通过这些行为来优化问题的解。

一、MFO飞蛾扑火算法基本原理

二、改进飞蛾扑火算法IMFO

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：柯西变异

        b=2-0.4*(Iteration/Max_iteration); %0.6
        k=6;
        for  c=1:k
            V=zeros(c,dim);
            d=randi([1,dim],1,1);
            WW=cumsum(sorted_population,1);
            W=WW(N,:)/N;
            V(c,d)= Best_flame_pos(1,d)+W(1,d)*cauchyrnd(0,b,1);
            Flag4ub=V(c,:)>ub;
            Flag4lb=V(c,:)<lb;
            V(c,:)=(V(c,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
            V_fitness(1,c)=fobj(V(c,:));

        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

%%  调用算法
[IGOOSE_pos,IGOOSE_score,IGOOSE_curve]=IGOOSE(SearchAgents,Max_iterations,ub,lb,dim,fobj);        % 调用IGOOSE算法
[GOOSE_pos,GOOSE_score,GOOSE_Convergence_curve]=GOOSE(SearchAgents,Max_iterations,ub,lb,dim,fobj); % 调用GOOSE算法

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