盐城网站开发公司电话,如何用手机创建网站,公司网站简介,wordpress 好用主题目录 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
2020年#xff0c; Alsattar等人受到秃鹰猎食自然行为启发#xff0c;提出了秃鹰搜索算法#xff08;Bald Eagle Search#xff0c;BES#xff09;。
2.算法原理
2.1算法思想
BES主要分为三… 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
2020年 Alsattar等人受到秃鹰猎食自然行为启发提出了秃鹰搜索算法Bald Eagle SearchBES。
2.算法原理
2.1算法思想
BES主要分为三个阶段选择搜索空间、搜索空间猎物和俯冲捕获猎物。
2.2算法过程
选择搜索空间 秃鹰个体在飞行中的位置代表 1个可行解在选择搜索空间阶段秃鹰会挑选猎物聚集数量最多的区域当做搜索空间该阶段的秃鹰行为由如下方程描述 P i , n e w ( t ) P b e s t ( t ) α × r × ( P m e a n ( t ) − P i ( t ) ) (1) P_{i,\mathrm{new}}(t)P_{\mathrm{best}}(t)\alpha\times r\times(P_{\mathrm{mean}}(t)-P_{i}(t))\tag{1} Pi,new(t)Pbest(t)α×r×(Pmean(t)−Pi(t))(1) 其中Pinewt表示第 i 只秃鹰的更新位置Pbestt表示秃鹰最佳搜索位置Pmeant表示秃鹰之前搜索结束后所有秃鹰个体的平均分布位置Pi(t表示第 i只秃鹰的搜索位置称作领导者t是当前迭代次数参数 α∈1.52是控制秃鹰搜索位置的参数参数 α 设置为 2r 是取值范围在 0~1之间的随机数。 搜索空间猎物 秃鹰个体在完成选择目标搜索空间后会在该搜索空间中对猎物进行“螺旋式”搜索并向不同的方向飞行移动以加速搜索进程。该阶段的秃鹰行为如下方程描述 P i , n e w ( t ) P i ( t ) x ( i ) × ( P i ( t ) − P m e a n ( t ) ) y ( i ) × ( P i ( t ) − P i 1 ( t ) ) x ( i ) x r ( i ) max ( ∣ x r ∣ ) , y ( i ) y r ( i ) max ( ∣ y r ∣ ) x r ( i ) r ( i ) × sin ( θ ( i ) ) , y r ( i ) r ( i ) × cos ( θ ( i ) ) θ ( i ) a × π × r a n d , r ( i ) θ ( i ) R × r a n d (2) \begin{aligned} P_{i,\mathrm{new}}(t)P_{i}(t)x(i)\times(P_{i}(t)-P_{\mathrm{mean}}(t))y(i)\times \left(P_{i}(t)-P_{i1}(t)\right) \\ x(i)\frac{x_{r}(i)}{\operatorname*{max}(\left|x_{r}\right|)},y(i)\frac{y_{r}(i)}{\operatorname*{max}(\left|y_{r}\right|)} \\ x_{_r}(i)r(i)\times\sin(\theta(i)),y_{_r}(i)r(i)\times\cos(\theta(i)) \\ \theta(i)a\times\pi\times\mathrm{rand},r(i)\theta(i)R\times\mathrm{rand} \end{aligned} \tag{2} Pi,new(t)Pi(t)x(i)×(Pi(t)−Pmean(t))y(i)×(Pi(t)−Pi1(t))x(i)max(∣xr∣)xr(i),y(i)max(∣yr∣)yr(i)xr(i)r(i)×sin(θ(i)),yr(i)r(i)×cos(θ(i))θ(i)a×π×rand,r(i)θ(i)R×rand(2) 其中xi与 yi表示极坐标中秃鹰的位置取值范围均为-11θi与 ri分别表示螺旋方程的极角与极径a∈510与 R∈0.52表示控制秃鹰螺旋飞行轨迹的参数。 俯冲捕获猎物 秃鹰在搜索空间锁定目标猎物后从最佳位置快速飞行至目标猎物位置与此同时所有的秃鹰个体也会朝着最佳位置飞行移动。该阶段的秃鹰行为由如下方程描述 P i , n e w ( t ) r a n d × P b e s t ( t ) x 1 ( i ) × ( P i ( t ) − c 1 × P m e a n ( t ) ) y 1 ( i ) × ( P i ( t ) − c 2 × P b e s t ( t ) ) x 1 ( i ) x r ( i ) max ( ∣ x r ∣ ) , y 1 ( i ) y r ( i ) max ( ∣ y r ∣ ) x r ( i ) r ( i ) × sinh ( θ ( i ) ) , y r ( i ) r ( i ) × cosh ( θ ( i ) ) θ ( i ) a × π × r a n d , r ( i ) θ ( i ) (3) \begin{aligned} P_{i,new}(t)\mathrm{rand}\times P_{\mathrm{best}}(t)x_{1}\left(i\right)\times\left(P_{i}(t)-c_{1}\times P_{\mathrm{mean}}(t)\right) y_{1}\left(i\right)\times\left(P_{i}(t)-c_{2}\times P_{\mathrm{best}}(t)\right) \\ x_{1}\left(i\right)\frac{x_{r}\left(i\right)}{\operatorname*{max}(\left|x_{r}\right|)},y_{1}\left(i\right)\frac{y_{r}\left(i\right)}{\operatorname*{max}(\left|y_{r}\right|)} \\ x_{r}(i)r(i)\times\sinh\left(\theta(i)\right),y_{r}(i)r(i)\times\cosh\left(\theta(i)\right) \\ \theta(i)a\times\pi\times\mathrm{rand},r(i)\theta(i) \end{aligned}\tag{3} Pi,new(t)rand×Pbest(t)x1(i)×(Pi(t)−c1×Pmean(t))y1(i)×(Pi(t)−c2×Pbest(t))x1(i)max(∣xr∣)xr(i),y1(i)max(∣yr∣)yr(i)xr(i)r(i)×sinh(θ(i)),yr(i)r(i)×cosh(θ(i))θ(i)a×π×rand,r(i)θ(i)(3) 伪代码
3.结果展示 4.参考文献
[1] Alsattar H A, Zaidan A A, Zaidan B B. Novel meta-heuristic bald eagle search optimisation algorithm[J]. Artificial Intelligence Review, 2020, 53: 2237-2264.
