基于Matlab怎么實現野狗優化算法

本篇內容介紹了“基于Matlab怎么實現野狗優化算法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

1.概述

野狗優化算法(Dingo Optimization Algorithm, DOA)模仿澳大利亞野狗的社交行為。DOA算法的靈感來源于野狗的狩獵策略，即迫害攻擊、分組策略和食腐行為。為了提高該方法的整體效率和性能，在DOA中制定了三種與四條規則相關聯的搜索策略，這些策略和規則在搜索空間的強化(開發)和多樣化(探索)之間提供了一種精確的平衡。

該算法的優點：尋優能力強，收斂速度快等特點。

2.捕食過程的數學模型

2.1 種群初始化

野狗種群在搜索邊界內隨機初始化：

其中，lbi和ubi分別表示個體的上下邊界，randi是[0,1]之間的隨機數。

2.2 群體攻擊過程

捕食者通常使用高度智能的狩獵技術，野狗通常單獨捕食小獵物，如兔子，但當捕食大獵物，如袋鼠時，它們會成群結隊。野狗能找到獵物的位置并將其包圍，其行為如上所示：

其中，t代表當前的迭代次數，是野狗新位置; na是在[2,SizePop/2]的逆序中生成的隨機整數，其中SizePop是野狗種群的規模; 是將攻擊的野狗的子集，其中是隨機生成的野狗種群;是當前野狗的位置是上一次迭代中發現的最佳野狗;β1是在[-2.2]內均勻生成的隨機數，它是一個比例因子，可改變野狗軌跡的大小。

2.3 迫害攻擊過程

野狗通常捕獵小獵物，直到單獨捕獲為止。行為模擬為：

其中，是野狗新位置，是上一次迭代中發現的最佳野狗，β2的值與式2.2中的值相同，β2是在[-1,1]區間內均勻生成的隨機數，r1是在從1到最大搜索代理(野狗)大小的區間內生成的隨機數，是隨機選擇的第r1個野狗，其中i≠r1。

2.4 野狗的存活率

在DOA中，野狗的存活率值由下式給出：

其中，fitnessmax和fitnessmin分別是當前一代中最差和最佳的適應度值，而fitness(i)是第i個野狗的當前適應度值。式(5)中的生存向量包含[0,1]區間內的歸一化適應度。

3.Matlab代碼實現

3.1 代碼

%====歡迎關注公眾號：電力系統與算法之美====
 
function DOA()
 
%% ====參數設置====
 
popsize=20;    % 種群規模
Iteration=1000;     % 迭代次數
lb = -10;     % 各維度的下限
ub = 10;  % 各維度的上限
dim = 2;  % 優化變量的個數
 
P= 0.5;  % Hunting or Scavenger  rate. 
Q= 0.7;  % Group attack or persecution?
beta1= -2 + 4* rand();  % -2 < beta < 2     
beta2= -1 + 2* rand();  % -1 < beta2 < 1    
naIni= 2; % minimum number of dingoes that will attack
naEnd= popsize /naIni; % maximum number of dingoes that will attack
na= round(naIni + (naEnd-naIni) * rand()); % number of dingoes that will attack
 
%% ====初始化種群位置=====
Positions=lb + (ub - lb).*rand(popsize, dim);
for i=1:size(Positions,1)
    Fitness(i)=sum(Positions(i,:).^2); % get fitness
end
[best_score, minIdx]= min(Fitness);  % the min fitness value vMin and the position minIdx
best_x= Positions(minIdx,:);  % the best vector
[worst_score, ~]= max(Fitness); % the max fitness value vMax and the position maxIdx
curve=zeros(1,Iteration);
 
%% Section 2.2.4 Dingoes'survival rates
 
for i=1:size(Fitness,2)
    survival(i)= (worst_score-Fitness(i))/(worst_score - best_score);
end
 
 
%% =====開始循環===========
for t=1:Iteration
    for r=1:popsize
        if rand() < P  % Hunting
            sumatory=0;
 
            c=1;
            vAttack=[];
            while(c<=na)
                idx =round( 1+ (popsize-1) * rand());
 
                band= 0;
                for i=1:size(vAttack, 2)
                    if idx== vAttack(i)
                        band=1;
                        break;
                    end
 
                end
 
                if ~band
                    vAttack(c) = idx;
                    c=c+1;
                end
            end
 
            for j=1:size(vAttack,2)
                sumatory= sumatory + Positions(vAttack(j),:)- Positions(r,:);
            end
            sumatory=sumatory/na;
 
            if rand() < Q  % group attack
                v(r,:)=  beta1 * sumatory-best_x; % Strategy 1: Eq.2
            else  %  Persecution
                r1= round(1+ (popsize-1)* rand()); %
                v(r,:)= best_x + beta1*(exp(beta2))*((Positions(r1,:)-Positions(r,:))); % 
            end
        else % Scavenger
            r1= round(1+ (popsize-1)* rand());
            if rand() < 0.5
                val= 0;
            else
                val=1;
            end
 
            v(r,:)=   (exp(beta2)* Positions(r1,:)-((-1)^val)*Positions(r,:))/2; % 
        end
        if survival(r) <= 0.3  % Section 2.2.4, Algorithm 3 - Survival procedure
            band=1;
            while band
                r1= round(1+ (popsize-1)* rand());
                r2= round(1+ (popsize-1)* rand());
                if r1 ~= r2
                    band=0;
                end
            end
            if rand() < 0.5
                val= 0;
            else
                val=1;
            end
            v(r,:)=   best_x + (Positions(r1,:)-((-1)^val)*Positions(r2,:))/2;  % Section 2.2.4, Strategy 4: Eq.6
        end
        % Return back the search agents that go beyond the boundaries of the search space .
        Flag4ub=v(r,:)>ub;
        Flag4lb=v(r,:)<lb;
        v(r,:)=(v(r,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        % Evaluate new solutions
        Fnew= sum(v(r,:).^2);
        % Update if the solution improves
        if Fnew <= Fitness(r)
            Positions(r,:)= v(r,:);
            Fitness(r)= Fnew;
        end
        if Fnew <= best_score
            best_x= v(r,:);
            best_score= Fnew;
        end
    end
    curve(t)= best_score;
    [worst_score, ~]= max(Fitness);
    for i=1:size(Fitness,2)
        survival(i)= (worst_score-Fitness(i))/(worst_score - best_score);
    end
 
end
 
 
%======結束優化===============
 
%% 進化曲線
figure
semilogy(curve,'Color','r','LineWidth',2)
grid on
title('收斂曲線')
xlabel('迭代次數');
ylabel('最佳適應度');
axis tight
legend('DOA')
 
 
display(['最優解: ', num2str(best_x)]);
display(['最小值: ', num2str(best_score)]);
 
end

3.2 結果

“基于Matlab怎么實現野狗優化算法”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！