MATLAB算法实战应用案例精讲-【智能优化算法】白鲸优化算法（BWO）（附MATLAB和python代码实现）

目录

前言

算法原理

数学模型

算法思想

（1）探索阶段

（2）开发阶段

（3）鲸落

算法流程图

伪代码

重要参数

1.平衡因子

2.Levy飞行机制

3.BWO计算复杂度

4.优化算法中适应度值

5.测试BWO性能的测试函数

算法拓展

基于白鲸BWO算法的VMD超参数优化

BWO优化VMD参数

基于鲸鱼WOA的VMD超参数优化

 优缺点

优点

代码实现

python

MATLAB

---

前言

白鲸优化算法（Beluga whale optimization，BWO）由Changting Zhong等人于2022年提出，该算法模拟了白鲸游泳，觅食和“鲸鱼坠落”行为。

白鲸是高度社会化的动物，它们可以聚集在2到25名成员的群体中，平均有10名成员。白鲸是杂食性的，包括但不限于虾，蠕虫，鳕鱼，鳟鱼和鲑鱼。当夏天来临时，许多生物聚集在一些河口，所以鲸鱼聚集在一起吃东西。白鲸通常通过吸力将猎物带入嘴里，因为牙齿不锋利。有时，白鲸与协调小组通过引导鱼进入浅水来攻击和喂养鱼。此外，白鲸在夏季受到虎鲸，北极熊和人类的威胁，因为河口的人口密度很高。一些鲸鱼在迁徙过程中可能会死亡并落入深海，这被称为“鲸鱼坠落”，为大量没有阳光和氧气的生物提供充足的食物。

算法原理

该算法用于求解最优化问题。BWO 算法模拟了白鲸游泳，觅食和“鲸鱼坠落”行为。BWO 中的平衡因子和鲸落概率是自适应的，对控制探索和开发能力起重要作用。此外，还引入了莱维飞行函数来增强开发段的全局收敛性。