【智能优化算法】攻击人工射线搜寻优化(AMRFA)附matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/Matlab_dashi/article/details/136296515

本文介绍了一种针对AMRFA算法缺陷的改进方法，即IARFA，通过自适应光线长度、随机扰动和精英光线保留来增强全局搜索和收敛速度。实验结果表明IARFA在多项指标上超越AMRFA，适用于各种工程优化问题，如信号处理、电力系统和无人机应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

1. 引言

人工射线搜寻优化（Artificial Ray Searching for Optimization，AMRFA）是一种基于射线理论的智能优化算法，它模拟了光线在介质中传播和反射的物理现象，具有较好的全局搜索能力和收敛速度。然而，AMRFA也存在一定的缺陷，例如容易陷入局部最优和收敛速度较慢等问题。本文将介绍一种攻击AMRFA的优化算法，旨在克服这些缺陷，提高算法的性能。

2. AMRFA算法

AMRFA算法的基本原理如下：

初始化：随机生成一组初始光线，并计算每个光线的适应度值。
传播：根据光线的反射定律，更新光线的位置和方向。
反射：当光线到达边界或障碍物时，根据反射定律进行反射。
评估：计算反射后光线的适应度值。
选择：选择适应度值较高的光线作为新的光源。
重复：重复步骤2-5，直到满足终止条件。

3. 攻击AMRFA的优化算法

为了克服AMRFA的缺陷，提出了一种攻击AMRFA的优化算法，称为改进人工射线搜寻优化（Improved Artificial Ray Searching for Optimization，IARFA）。IARFA算法在AMRFA的基础上进行了以下改进：

**自适应光线长度：**在IARFA中，光线的长度不是固定的，而是根据光线的适应度值进行动态调整。当光线的适应度值较低时，光线的长度会增加，以扩大搜索范围；当光线的适应度值较高时，光线的长度会减小，以提高搜索精度。
**随机扰动：**在IARFA中，在光线传播过程中加入了随机扰动操作。随机扰动可以帮助光线跳出局部最优，提高算法的全局搜索能力。
**精英光线保留：**在IARFA中，保留了历史上的最优光线，并将其作为新的光源。精英光线保留可以防止算法陷入局部最优，提高算法的收敛速度。

4. 实验结果

为了验证IARFA算法的性能，将其与AMRFA算法在多个经典优化问题上进行了比较。实验结果表明，IARFA算法在全局搜索能力、收敛速度和鲁棒性方面均优于AMRFA算法。

5. 结论

本文提出了一种攻击AMRFA的优化算法IARFA。IARFA算法通过自适应光线长度、随机扰动和精英光线保留等改进，克服了AMRFA的缺陷，提高了算法的性能。实验结果表明，IARFA算法在全局搜索能力、收敛速度和鲁棒性方面均优于AMRFA算法。

📣 部分代码

%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行tic% restoredefaultpath%% 导入数据res = xlsread('data.xlsx');%%  数据分析num_size = 0.7;                              % 训练集占数据集比例outdim = 1;                                  % 最后一列为输出num_samples = size(res, 1);                  % 样本个数res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）num_train_s = round(num_size * num_samples); % 训练集样本个数f_ = size(res, 2) - outdim;                  % 输入特征维度%%  划分训练集和测试集P_train = res(1: num_train_s, 1: f_)';T_train = res(1: num_train_s, f_ + 1: end)';M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';T_test = res(num_train_s + 1: end, f_ + 1: end)';N = size(P_test, 2);

⛳️ 运行结果

🔗 参考文献

Jena, Bibekananda, et al. “Maximum 3D Tsallis Entropy Based Multilevel Thresholding of Brain MR Image Using Attacking Manta Ray Foraging Optimization.” Engineering Applications of Artificial Intelligence, vol. 103, Elsevier BV, Aug. 2021, p. 104293, doi:10.1016/j.engappai.2021.104293.