融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES) - 附matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab仿真内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

针对基本秃鹰搜索算法存在收敛速度慢,易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态,多模态基准测试函数对CBES,BES,FPA,MFO,PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.

自然界中的鹰被赋予了强大的视力和狩猎能力，因此，鹰类一直以来都是人们心目中的猎食者象征。这些优秀的猎食者之一就是秃鹰，它以其敏锐的视力和出色的飞行能力而闻名。鉴于秃鹰的这些特点，研究人员提出了一种基于秃鹰行为的优化算法，即秃鹰搜索算法(Bald Eagle Search, BES)。然而，原始的BES算法存在一些问题，例如搜索能力不足和易陷入局部最优解。为了解决这些问题，学者们提出了融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES)。

CBES算法的核心思想是通过引入自适应惯性权重和柯西变异来增强搜索能力和提高全局搜索能力。自适应惯性权重是指根据搜索过程中的适应度值来调整权重，从而在搜索过程中更好地平衡探索和利用的权衡。柯西变异是一种基于柯西分布的变异方法，它能够增加搜索过程的多样性，从而避免陷入局部最优解。

CBES算法的具体步骤如下：

初始化种群：根据问题的特点和要求，初始化一定数量的秃鹰个体，并随机分配它们的位置和速度。

计算适应度值：根据问题的适应度函数，计算每个秃鹰个体的适应度值。

更新权重和速度：根据自适应惯性权重公式，更新每个秃鹰个体的权重，并根据柯西变异公式，更新每个秃鹰个体的速度。

更新位置：根据更新后的速度，更新每个秃鹰个体的位置。

判断停止条件：判断是否满足停止条件，如果满足，则输出最优解；否则，返回第3步。

通过融合自适应惯性权重和柯西变异，CBES算法在优化问题中表现出了很好的性能。与传统的优化算法相比，CBES算法具有更强的全局搜索能力和更快的收敛速度。这得益于自适应惯性权重的平衡探索和利用的能力以及柯西变异的多样性增加能力。

总结起来，CBES算法是一种基于秃鹰行为的优化算法，通过融合自适应惯性权重和柯西变异来增强搜索能力和提高全局搜索能力。它在解决优化问题方面具有很大的潜力，并且在实际应用中取得了很好的效果。希望随着对CBES算法的进一步研究和改进，它能够在更多的领域发挥作用，为解决实际问题提供更好的解决方案。

⛄ 核心代码

function drawPath(path,G,flag)%%%%xGrid=size(G,2);drawShanGe(G,flag)hold onset(gca,'XtickLabel','')set(gca,'YtickLabel','')L=size(path,1);Sx=path(1,1)-0.5;Sy=path(1,2)-0.5;plot(Sx,Sy,'ro','MarkerSize',5,'LineWidth',5);   % 起点for i=1:L-1    plot([path(i,2) path(i+1,2)]-0.5,[path(i,1) path(i+1,1)]-0.5,'k-','LineWidth',1.5,'markersize',10)    hold onend​Ex=path(end,1)-0.5;Ey=path(end,2)-0.5;​plot(Ex,Ey,'gs','MarkerSize',5,'LineWidth',5);   % 终点​

⛄ 运行结果

⛄ 参考文献

[1]丁容,高建瓴,张倩.融合自适应惯性权重和柯西变异的秃鹰搜索算法[J].小型微型计算机系统, 2023, 44(5):910-915.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

仿真咨询

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合