基于Matlab怎么实现野狗优化算法

本篇内容介绍了“基于Matlab怎么实现野狗优化算法”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

1.概述

野狗优化算法(Dingo Optimization Algorithm, DOA)模仿澳大利亚野狗的社交行为。DOA算法的灵感来源于野狗的狩猎策略，即迫害攻击、分组策略和食腐行为。为了提高该方法的整体效率和性能，在DOA中制定了三种与四条规则相关联的搜索策略，这些策略和规则在搜索空间的强化(开发)和多样化(探索)之间提供了一种精确的平衡。

该算法的优点：寻优能力强，收敛速度快等特点。

2.捕食过程的数学模型

2.1 种群初始化

野狗种群在搜索边界内随机初始化：

其中，lbi和ubi分别表示个体的上下边界，randi是[0,1]之间的随机数。

2.2 群体攻击过程

捕食者通常使用高度智能的狩猎技术，野狗通常单独捕食小猎物，如兔子，但当捕食大猎物，如袋鼠时，它们会成群结队。野狗能找到猎物的位置并将其包围，其行为如上所示：

其中，t代表当前的迭代次数，是野狗新位置; na是在[2,SizePop/2]的逆序中生成的随机整数，其中SizePop是野狗种群的规模; 是将攻击的野狗的子集，其中是随机生成的野狗种群;是当前野狗的位置是上一次迭代中发现的最佳野狗;β1是在[-2.2]内均匀生成的随机数，它是一个比例因子，可改变野狗轨迹的大小。

2.3 迫害攻击过程

野狗通常捕猎小猎物，直到单独捕获为止。行为模拟为：

其中，是野狗新位置，是上一次迭代中发现的最佳野狗，β2的值与式2.2中的值相同，β2是在[-1,1]区间内均匀生成的随机数，r1是在从1到最大搜索代理(野狗)大小的区间内生成的随机数，是随机选择的第r1个野狗，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给出：

其中，fitnessmax和fitnessmin分别是当前一代中最差和最佳的适应度值，而fitness(i)是第i个野狗的当前适应度值。式(5)中的生存向量包含[0,1]区间内的归一化适应度。

3.Matlab代码实现

3.1 代码

%====欢迎关注公众号：电力系统与算法之美==== function DOA() %% ====参数设置==== popsize=20;    % 种群规模Iteration=1000;     % 迭代次数lb = -10;     % 各维度的下限ub = 10;  % 各维度的上限dim = 2;  % 优化变量的个数 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 attacknaEnd= popsize /naIni; % maximum number of dingoes that will attackna= round(naIni + (naEnd-naIni) * rand()); % number of dingoes that will attack %% ====初始化种群位置=====Positions=lb + (ub - lb).*rand(popsize, dim);for i=1:size(Positions,1)    Fitness(i)=sum(Positions(i,:).^2); % get fitnessend[best_score, minIdx]= min(Fitness);  % the min fitness value vMin and the position minIdxbest_x= Positions(minIdx,:);  % the best vector[worst_score, ~]= max(Fitness); % the max fitness value vMax and the position maxIdxcurve=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  %% =====开始循环===========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  %======结束优化=============== %% 进化曲线figuresemilogy(curve,'Color','r','LineWidth',2)grid ontitle('收敛曲线')xlabel('迭代次数');ylabel('最佳适应度');axis tightlegend('DOA')  display(['最优解: ', num2str(best_x)]);display(['最小值: ', num2str(best_score)]); end

3.2 结果

“基于Matlab怎么实现野狗优化算法”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！