【獲取資源請(qǐng)見(jiàn)文章第5節(jié)：資源獲取】

1. 原始POA算法

此算法詳細(xì)介紹請(qǐng)參考POA算法介紹

2. 改進(jìn)后的IPOA算法

2.1 隨機(jī)對(duì)立學(xué)習(xí)種群初始化

采用隨機(jī)方法初始化POA種群，生成的種群不均勻，影響了收斂速度和精度。為了獲得更好的初始種群，本文采用了隨機(jī)對(duì)立學(xué)習(xí)策略來(lái)進(jìn)行種群初始：
$$X_{i,new}=(l+u)?k{X}_i\text{\hspace{1em}(1)}$$
其中，$X_i$為原解，$X_{i,new}$為隨機(jī)對(duì)立學(xué)習(xí)生成的反向解，$k$為[0,1]之間的隨機(jī)數(shù)。
經(jīng)過(guò)隨機(jī)對(duì)立學(xué)習(xí)策略后，生成了$N$個(gè)反向解，如果反向解的適應(yīng)度值優(yōu)于原解，就用反向解替代原解，否則保留原解。

2.2 動(dòng)態(tài)權(quán)重系數(shù)

基本鵜鶘優(yōu)化算法的開(kāi)發(fā)階段，在迭代后期會(huì)存在陷入局部最優(yōu)的情況，使搜索失敗。為克服這一弊端，再在其位置更新公式中加入動(dòng)態(tài)權(quán)重系數(shù) ω，讓它在迭代初期具有較大值，促進(jìn)全局搜索，迭代后期自適應(yīng)變小，促進(jìn)局部搜索并加快收斂速度。

2.3 透鏡成像折射方向?qū)W習(xí)

透鏡成像折射反向?qū)W習(xí)策略的思想來(lái)自于凸透鏡成像的原理。通過(guò)基于當(dāng)前坐標(biāo)生成一個(gè)反向位置來(lái)擴(kuò)展搜索范圍，如圖1所示。

在二維坐標(biāo)中，x軸的搜索范圍為(a, b)， y軸表示一個(gè)凸透鏡。假設(shè)物體A在x軸上的投影為x，高度為h，通過(guò)透鏡成像，另一側(cè)的圖像為A*， A在x軸上的投影為x，高度為h*。通過(guò)以上分析，我們可以得到如下公式：
$$\frac{(a+b)/2?x}{x^{?}?(a+b)/2}=\frac{h}{h^{?}}\text{\hspace{1em}(2)}$$
對(duì)公式(2)進(jìn)行轉(zhuǎn)換，即可得到反向解x*的表達(dá)式為：
$$x^{?}=\frac{a+b}{2}+\frac{a+b}{2k}?\frac{x}{k}\text{\hspace{1em}(3)}$$
其中，$k=h/h^{?}$，$a$和$b$可以視為某維度的上下限。本文中的$k$是一個(gè)與迭代次數(shù)相關(guān)的動(dòng)態(tài)自適應(yīng)值。

3. 部分代碼展示

%%
clc
clear
close all

%%
Fun_name='F1'; % number of test functions: 'F1' to 'F23'
SearchAgents=30;                     % number of Pelicans (population members) 
Max_iterations=500;                  % maximum number of iteration
[lb,ub,dim,fobj]=Get_Functions_details(Fun_name); % Object function information
[Best_score_POA,Best_pos_POA,POA_curve]=POA(SearchAgents,Max_iterations,lb,ub,dim,fobj);   
[Best_score_SSA,Best_pos_SSA,SSA_curve]=SSA(SearchAgents,Max_iterations,lb,ub,dim,fobj);
[Best_score_WOA,Best_pos_WOA,WOA_curve]=WOA(SearchAgents,Max_iterations,lb,ub,dim,fobj);
[Best_score_GWO,Best_pos_GWO,GWO_curve]=GWO(SearchAgents,Max_iterations,lb,ub,dim,fobj);
[Best_score_IPOA,Best_pos_IPOA,IPOA_curve]=IPOA(SearchAgents,Max_iterations,lb,ub,dim,fobj);

%%
figure('Position',[454   445   694   297]);
subplot(1,2,1);
func_plot(Fun_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Fun_name,'( x_1 , x_2 )'])

subplot(1,2,2);
t = 1:Max_iterations;
semilogy(t, POA_curve, 'b-',    t, SSA_curve, 'k-',    t, WOA_curve, 'g-',  t, GWO_curve, 'm-',  t, IPOA_curve, 'r-','linewidth', 1.5);

title(Fun_name)
xlabel('Iteration');
ylabel('Best fitness function');
axis tight
legend('POA','SSA','WOA','GWO','IPOA')

display(['The best solution obtained by POA for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos_POA)]);
display(['The best optimal value of the objective funciton found by POA  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score_POA)]);
display(['The best solution obtained by SSA for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos_SSA)]);
display(['The best optimal value of the objective funciton found by SSA  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score_SSA)]);
display(['The best solution obtained by WOA for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos_WOA)]);
display(['The best optimal value of the objective funciton found by WOA  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score_WOA)]);
display(['The best solution obtained by GWO for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos_GWO)]);
display(['The best optimal value of the objective funciton found by GWO  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score_GWO)]);
display(['The best solution obtained by IPOA for ' [num2str(Fun_name)],'  is : ', num2str(Best_pos_IPOA)]);
display(['The best optimal value of the objective funciton found by IPOA  for ' [num2str(Fun_name)],'  is : ', num2str(Best_score_IPOA)]);

4. 仿真結(jié)果展示

5. 資源獲取

可以獲取完整代碼資源。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-699723.html

到了這里，關(guān)于【群智能算法改進(jìn)】一種改進(jìn)的鵜鶘優(yōu)化算法 IPOA算法[2]【Matlab代碼#58】的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！