智能优化算法：鹰栖息算法-附代码

智能优化算法：鹰栖息优化算法

摘要：鹰栖息优化算法（eagle perching optimizer，EPO）是于2018年提出的一种新型智能优化算法，该算法主要模拟了老鹰栖息的天性。具有结构简单，速度快的特点。

1.算法原理

在 EPO 算法中,每只鹰的初始位置随机生成,使种群在搜索空间内均匀分布,有利于算法寻优。
$$x=lb+(ub-lb)\ast rand\text{\hspace{1em}(1)}$$
其中$x$为初始位置，$lb$为寻优下边界，$ub$为寻优上边界。

EPO 算法的搜索范围更新如下:
$$s=s\ast eta\text{\hspace{1em}(2)}$$
其中: $s$ 是搜索范围变量,实现算法在全局搜索和局部搜索之间的转变; $eta$ 是收缩变量。eta的计算如下式：
$$eta=(\frac{res}{s}{)}^{t/ts}\text{\hspace{1em}(3)}$$
其中ts为最大迭代次数，res为分辨率范围。

每只鹰的位置更新如下：
$$x_i^{t+1}=x_{min}^t+\Delta x_i\text{\hspace{1em}(4)}$$
其中: $x_i^{t+1}$为迭代至$t+1$次时第$i$只鹰的位置; $x_{min}^t$为迭代至$t$次的全局最优位置；$\Delta x_i=s\ast (R_{i1},R_{i2},...,R_{in})$用来反映鹰在搜索范围内的随机移动，$R_{in}$是( -1 , 1 )之间的随机数。

算法步骤：

步骤1： 初始化算法参数,包括搜索范围变量、收缩变量，迭代次数等。

步骤2：初始化种群；

步骤3：计算适应度度值，并保留最优位置；

步骤4：利用式（2）-（4）更新种群位置；

步骤5：判断是否满足停止条件，如果满足，则输出最优解，否则，重复步骤3-5。

2.实验结果

3.参考文献

[1] Khan A T , Senior S L , Stanimirovic P S , et al. Model-Free Optimization Using Eagle Perching Optimizer[J]. 2018.

4.Matlab代码