【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015

前言

鸟群算法(Bird Swarm Algorithm,BSA)是由 Xian-Bing Meng 等人根据自然界鸟群觅食、警觉和迁移等生物行为于 2015 年提出的一种新型生物启发式算法。该算法具有分散搜索,保持种群多样性,避免陷入局部最优的特点。

【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第1张图片

截止到 2023 年,算法引用趋势

【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第2张图片

1. 鸟群的生物行为

  • (1) 每只鸟都可以在飞行行为、警戒行为和觅食行为之间随机切换。

  • (2) 当觅食时,每只鸟都能及时记录并更新自己以前的最佳经验和鸟群的最佳经验。该信息在整个群体中即时共享。

  • (3) 当警戒时,每只鸟都会试图向鸟群的中心移动。这种行为可能会受到群体间竞争引起的干扰的影响。适应度值较高的鸟类更可能靠近鸟群中心

  • (4) 当飞行时,鸟类的角色会在生产者和掠夺者之间切换。适应度值最高的鸟将成为生产者,而适应度值最低的鸟将是掠夺者。其他的鸟类会随机选择成为生产者和掠夺者。生产者主动寻找食物,掠夺者跟随生产者寻找食物。(飞行行为定期发生)

  • (5) 生产者积极寻找食物,乞食者随机跟随一位生产者寻找食物。

2. 算法仿生设计

2.1 觅食:依据全局最优和个体最优寻找食物

规则 (1) 可制定为一个随机决策,当等概率产生的 (0, 1) 之间随机数大于常数 P 时,鸟觅食,否则保持警觉。每一只鸟根据自己和种群的觅食经验寻找食物,规则 (2) 可由下式表示。

式中:$x_{i, j}^t 为鸟当前所在位置; p i , j \text{p}_{i,j} pi,j i i i 只鸟所经过的最佳位置; g j g_j gj 为种群最佳位置; C,S 为两个正常数,分别称为认知系数及社会进化系数。

2.2 警戒:向种群中心移动

对于规则 (3) ,鸟试图飞往种群的中心位置,这不可避免地会与其它鸟产生竞争,因此,每一只鸟不会直接飞到种群中心。这种行为可由下式表示。

【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第3张图片

式中:k 是 [1,N] 之间的随机整数,且 k ≠ i ≠ i =i; N 为种群规模; a 1 , a 2 a_1, a_2 a1,a2 是 [0,2] 之间的常数;pFit i _i i 为第 i i i 只鸟的适应度值;sumFit 为整个种群的适应度之和; ε \varepsilon ε 用来避免零分割,是计算机里最小的常数;mean j _j j 为种群的平均适应度值。

2.3 飞行:按照角色行动

为逃避追捕或寻找食物,鸟群会定期飞往其他区域,设迁移周期为 FQ ,当到达另一区域后,它们会重新觅食。一些作为生产者的鸟开始寻找食物,其他鸟跟随生产者寻觅食物。生产者和乞食者可由规则 (4) 从种群中筛选,生产者和乞食者的行为可由下式描述:

【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第4张图片

式中:randn(0,1) 代表产生服从期望值为 0, 标准差为 1 的高斯分布的一个随机数; k ∈ \in [1,N],且 k ≠ i ≠ i =i; FL(FL ∈ \in [0,1]) 为乞食者随同生产者觅食的概率。

3. 算法流程

【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第5张图片
【智能优化算法】鸟群算法 (Bird Swarm Algorithm,BSA), 2015_第6张图片

References

[1] MENG X B, GAO X Z, LU L H. A new bio-inspiredoptimization algorithm: bird swarm algorithm[J]. Journal ofExperimental and Theoretical Artificial Intelligent, 2015.

[2] 智能优化算法:鸟群算法-附代码

你可能感兴趣的:(智能优化算法,算法)