多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略

原创改进——基于透镜反向学习改进的小龙虾优化算法(COA和ECOA) 小龙虾优化算法(Crayfsh optimization algorithm,COA)是2023新型智能优化算法-小龙虾优化算法,灵感来源于小龙虾的觅食、避暑和竞争行为。觅食阶段和竞争阶段是COA的开发阶段,避暑阶段是COC的探索阶段。;(Artifcial Intelligence Review),该期刊最新的影响因子是12,具有很好的研究价值。 阅读详情
AI摘要

文章介绍了作者改进的MODBO算法,通过螺旋搜索策略、最优值引导和透镜成像反向学习提高算法性能。在CEC2017函数集测试中,MODBO在多个指标上优于原始DBo算法,展示了其在优化问题上的优势。

声明:对于作者的原创代码,禁止转售倒卖,违者必究!

关于蜣螂算法的原理网上有很多,本文就不再详细介绍,本期算法是作者在参考了网上一些文献后自行改进的,接下来直接上改进策略:

①螺旋搜索策略

在蜣螂优化算法(DBO)中,如果按照当前的在产卵区域内繁殖雏球,这肯定会使种群在短时间内快速收敛,但也会导致种群的多样性降低,容易使算法陷入局部最优;因此对蜣螂算法繁殖阶段的这个公式进行改进

fe3d8776f563899fe433655844f4fa9f.png

受到鲸鱼算法中头鲸种群围捕猎物的启发,鲸鱼算法在迭代过程中,个体鲸鱼会使用螺旋搜索策略来更新与猎物的位置,这不仅保证了算法的收敛速度,而且可以增加个体的多样性。鲸鱼围捕猎物阶段公式如下:

da6be25be0b00db89d22d9e1342da4b4.png

但该策略很容易受到定义参数c的影响。较大的c会使算法衰减过快,导致算法局部最优,较小的c会导致算法收敛缓慢。为了解决这个问题,引入了动态螺旋搜索形状的参数r

0adbd31659888760398eb202f999a599.png

采用螺旋搜索策略对蜣螂算法繁殖阶段进行改进,更新后的蜣螂算法公式如下:

092ad948e1f3a742098d12fd484026f0.png

此时蜣螂搜索路径示意图如下:

7c1c6fe2e3dfd372f4343f4c94f15e0c.png

②最优值引导策略

在蜣螂算法的觅食阶段,候选解的生成受到两个随机数(K1和K2)的影响,这使得生成更好和更差候选解的概率相等。通过引入当前最优值来指导候选解的生成。新的公式如下所示。

d7c2a2d3a2da47aa43bfba53c7a8ca04.png

③透镜成像反向学习策略

透镜成像反向学习主要的思想是以当前坐标为基准通过凸透镜成像的原理生成一个反向位置来扩大搜索范围,这样可以既能跳出当前位置,又可以扩大蜣螂算法搜索范围,提高了蜣螂种群的多样性。基于透镜成像原理的反向学习公式如下:

8372c0c33f61321cd5c61c8da5e525fb.png

结果展示

在CEC2017函数集进行测试(2017的官方函数已经将F2删除),结果如下,MODBO是改进的蜣螂算法,DBO是原始的蜣螂算法。

a37ff2c7eb0b5afd41012f330f9e4817.png

b9a7fcf4f0ee5a8f15e9cd83d9ea5d7b.png

cdf3cc0631a2bf267ca1b066bd8421cc.png

29213ddbc75e29a8b7d6a0b57a906a0e.png

fd2691d2a16ef2c52965fc9145e3fdff.png

这里截了一些图,可以看到在CEC2017函数的测试效果还是非常不错的。

将每个算法迭代500次,蜣螂个数设置为30个,每个函数运行30次,求最优值,最差值,平均值,方差,中值共五个指标如下:

F1函数计算结果:
DBO:最优值:26587534.2785 最差值:885296187.7384 平均值:278519926.4607 方差:202589254.7595 中值:242508285.8441
MODBO:最优值:176099.8914 最差值:271151324.3789 平均值:76067397.0683 方差:71555724.9635 中值:58119739.0369
F3函数计算结果:
DBO:最优值:68234.7729 最差值:183691.5791 平均值:94827.9013 方差:24515.5456 中值:85710.8004
MODBO:最优值:43495.1783 最差值:88562.5671 平均值:72813.6786 方差:12252.9688 中值:73870.7348
F4函数计算结果:
DBO:最优值:527.017 最差值:1040.0388 平均值:680.6191 方差:117.5707 中值:652.1021
MODBO:最优值:489.6904 最差值:667.7609 平均值:578.4681 方差:46.3321 中值:578.3268
F5函数计算结果:
DBO:最优值:634.5203 最差值:852.6906 平均值:745.2637 方差:56.4961 中值:746.7405
MODBO:最优值:605.4213 最差值:745.3838 平均值:670.8696 方差:37.2748 中值:660.932
F6函数计算结果:
DBO:最优值:628.5647 最差值:674.6842 平均值:651.2125 方差:12.7984 中值:652.1216
MODBO:最优值:615.4098 最差值:645.7538 平均值:631.779 方差:8.2401 中值:630.2963
F7函数计算结果:
DBO:最优值:881.1188 最差值:1181.8156 平均值:1007.7016 方差:81.108 中值:997.6261
MODBO:最优值:845.7382 最差值:1171.3257 平均值:982.2269 方差:74.989 中值:980.622
F8函数计算结果:
DBO:最优值:900.0545 最差值:1115.7526 平均值:1015.9085 方差:61.7286 中值:1021.6189
MODBO:最优值:876.7522 最差值:997.2142 平均值:935.4958 方差:29.6456 中值:931.9413
F9函数计算结果:
DBO:最优值:3228.5143 最差值:10660.7884 平均值:6865.7482 方差:2069.9942 中值:6568.7554
MODBO:最优值:2356.5046 最差值:9446.0883 平均值:4412.454 方差:1663.8413 中值:3953.9179
F10函数计算结果:
DBO:最优值:4148.651 最差值:9271.6793 平均值:6483.3671 方差:1227.6979 中值:6151.3225
MODBO:最优值:4538.1623 最差值:9031.1333 平均值:6957.6103 方差:1492.6158 中值:7124.0549
F11函数计算结果:
DBO:最优值:1365.6167 最差值:5717.5147 平均值:2127.2572 方差:950.7368 中值:1774.9541
MODBO:最优值:1249.599 最差值:1584.6569 平均值:1372.9834 方差:82.0467 中值:1353.0988
F12函数计算结果:
DBO:最优值:1636631.9163 最差值:1000605880.0255 平均值:138651222.4276 方差:260670382.031 中值:28103706.5293
MODBO:最优值:741235.8851 最差值:111300910.1722 平均值:17658055.4028 方差:26724635.2059 中值:7560605.797
F13函数计算结果:
DBO:最优值:16922.7094 最差值:64250525.1866 平均值:7551744.9668 方差:15191181.2581 中值:863733.2001
MODBO:最优值:12200.7897 最差值:4332334.3432 平均值:844642.7411 方差:1429735.1549 中值:134109.2547
F14函数计算结果:
DBO:最优值:3628.8755 最差值:2211506.826 平均值:260147.4974 方差:404203.3378 中值:133263.6727
MODBO:最优值:3491.3099 最差值:373667.4927 平均值:100189.6526 方差:86068.427 中值:88233.6257
F15函数计算结果:
DBO:最优值:7695.8216 最差值:28689714.0636 平均值:1020109.4677 方差:5226163.1995 中值:57025.5877
MODBO:最优值:2563.149 最差值:259576.8021 平均值:51882.9929 方差:60308.523 中值:30131.2416
F16函数计算结果:
DBO:最优值:2442.877 最差值:4334.1086 平均值:3380.7791 方差:437.699 中值:3427.9563
MODBO:最优值:2564.1835 最差值:4099.5328 平均值:3198.7369 方差:386.1529 中值:3065.507
F17函数计算结果:
DBO:最优值:2059.4696 最差值:3352.611 平均值:2751.7228 方差:322.2462 中值:2666.2677
MODBO:最优值:2045.3209 最差值:2946.2829 平均值:2520.9179 方差:222.8829 中值:2547.0677
F18函数计算结果:
DBO:最优值:111995.098 最差值:19260406.0013 平均值:4264684.775 方差:5255649.3308 中值:1371475.4517
MODBO:最优值:68714.5908 最差值:10547312.9839 平均值:1481340.6368 方差:2029044.5584 中值:898592.8427
F19函数计算结果:
DBO:最优值:5683.5719 最差值:127030449.7168 平均值:6205389.826 方差:23073920.4903 中值:385245.8425
MODBO:最优值:2395.6836 最差值:2280405.74 平均值:343450.7177 方差:601022.5335 中值:33246.0295
F20函数计算结果:
DBO:最优值:2258.4158 最差值:3179.5373 平均值:2721.4361 方差:243.5226 中值:2673.5387
MODBO:最优值:2253.2546 最差值:2935.108 平均值:2547.2821 方差:163.9393 中值:2542.5695
F21函数计算结果:
DBO:最优值:2441.0167 最差值:2681.4322 平均值:2560.6592 方差:57.929 中值:2543.5668
MODBO:最优值:2329.3153 最差值:2650.5783 平均值:2501.5493 方差:65.9737 中值:2503.3205
F22函数计算结果:
DBO:最优值:2335.8041 最差值:9005.9585 平均值:5147.7854 方差:2563.4733 中值:6307.0029
MODBO:最优值:2341.8913 最差值:2482.0399 平均值:2379.9522 方差:36.0528 中值:2365.957
F23函数计算结果:
DBO:最优值:2814.5573 最差值:3110.1696 平均值:2971.2078 方差:82.9108 中值:2974.881
MODBO:最优值:2780.6881 最差值:3069.9764 平均值:2914.6333 方差:80.6054 中值:2885.1952
F24函数计算结果:
DBO:最优值:3037.3823 最差值:3364.1985 平均值:3181.3893 方差:87.9974 中值:3200.8671
MODBO:最优值:2958.5651 最差值:3242.334 平均值:3099.0717 方差:86.5973 中值:3119.6384
F25函数计算结果:
DBO:最优值:2886.8655 最差值:3132.0272 平均值:2976.574 方差:59.3269 中值:2964.1102
MODBO:最优值:2887.4245 最差值:3017.7836 平均值:2931.109 方差:34.0427 中值:2932.7968
F26函数计算结果:
DBO:最优值:5705.6121 最差值:8479.805 平均值:6928.252 方差:753.7997 中值:6805.2349
MODBO:最优值:3125.2728 最差值:7889.8513 平均值:6319.2604 方差:1123.6276 中值:6616.5321
F27函数计算结果:
DBO:最优值:3222.1202 最差值:3502.0427 平均值:3329.845 方差:67.8683 中值:3327.1453
MODBO:最优值:3222.4915 最差值:3412.8692 平均值:3278.3387 方差:38.4615 中值:3270.9476
F28函数计算结果:
DBO:最优值:3308.6423 最差值:5999.3597 平均值:3805.3548 方差:745.1675 中值:3481.9717
MODBO:最优值:3213.5795 最差值:3474.7211 平均值:3338.6909 方差:54.5755 中值:3338.2342
F29函数计算结果:
DBO:最优值:3707.9156 最差值:5630.6197 平均值:4508.4204 方差:446.8148 中值:4528.4465
MODBO:最优值:3762.919 最差值:5242.045 平均值:4262.0952 方差:340.2025 中值:4193.3854
F30函数计算结果:
DBO:最优值:23738.894 最差值:18437793.6046 平均值:3256963.3511 方差:4381907.9519 中值:1187816.4769
MODBO:最优值:11592.0291 最差值:22223495.0405 平均值:2676568.7866 方差:4774300.516 中值:894187.27

根据统计结果可以看出,改进的蜣螂算法(MODBO)在五个指标中的表现均是最佳!

代码展示

代码目录如下:

ecf8ae2f2781d83f15f7e83d68a9de9d.png

作者已将cec2017的函数集编译完,直接在电脑运行即可。其中main.m用于画图,runs_Main.m用于统计多次运行的结果。

代码获取

完整代码获取方式:后台回复关键字,不区分大小写。关键字:

MODBO

或者点击下方阅读原文跳转链接。

往期改进蜣螂算法推荐:

改进蜣螂优化--采用莱维飞行和三角形游走策略

改进正弦算法引导的蜣螂优化算法(MSADBO)

改进蜣螂优化算法 阅读详情

相关推荐

融合透镜成像反向学习的精英引导混沌萤火虫算法(Matlab)

作者在前面的文章中介绍了萤火虫算法(FA),FA是一种功能强大、效率高的元启发式算法,该算法通过模拟自然界中萤火虫个体之间相互吸引的理想化行为达到寻优目的,在解决工程优化问题时表现出了良好的性能,一经提出便受到国内外研究人员的关注。然而FA算法也存在一些缺陷:首先,FA算法采用全吸引模型,由于FA算法中每只萤火虫都会被其他更亮的萤火虫吸引,吸引次数过多将导致收敛较慢,计算复杂度高;

sfejojno的博客 2103

常用智能优化算法改进策略---飞行游走篇(五种策略)可用于改进所有智能算法,让小白也会改进智能算法。...

本期文章将讲述常用智能优化算法改进策略---飞行游走篇,一共包含五种常见的改进策略:①莱维飞行,②随机游走,③螺旋飞行,④高斯随机游走,⑤三角形游走五种策略可以方便移植到其他任何智能算法的改进中!为了方便大家对这五种改进策略的深入了解,作者将这五种策略用在简单易懂的粒子群算法中,以此来教大家如何运用这五种策略,今后也方便大家移植到别的智能算法中。①莱维飞行莱维飞行具有遍历性和随机性,是一种非高斯的...

淘个代码 7380

RS485两线制接线实战:从差分信号原理到Modbus避坑指南

本文深入解析RS485两线制接线的核心原理与实战步骤。从差分信号的抗干扰机制出发,详细拆解总线规划、屏蔽层接地、终端电阻安装等关键实操细节,并针对Modbus应用中常见的信号反射、极性接反、共模干扰等问题提供系统化的排查指南与解决方案,助力工程师构建稳定可靠的工业通讯网络。

7up55的博客 736

改进蜣螂优化--采用莱维飞行和三角形游走策略

今天为大家带来一期改进的蜣螂优化算法。之前有篇文章推出过改进正弦算法引导的蜣螂优化算法(MSADBO),但是该文章已经有论文发表过了。今天作者为大家带来的这一期改进,完全属于个人的改进,网络上应该查不到,大家也可以作为参考,也可以在作者改进的基础上接着改进。改进策略如下:①采用Cubic混沌映射,公式如下:采用Cubic映射增加粒子多样性,可以减少粒子寻优时间,增加算法的收敛速度。想要采用别的混沌...

淘个代码 2400

死区补偿---学习笔记

最近调试中发现,死区补偿对电流谐波和电流带宽影响挺大,于是对死区补偿产生浓厚兴趣,找来几篇文章粗读并做一下笔记。 传统做法 无非就是根据电流方向补偿,假如svpwm计算出的A相理论导通实践为T1,死区时间是Td,则实际导通时间T = T1-Td(when ia >0 ),于是在svpwm计算出的导通时间T1的基础上加上Td。这样经过PWM模块后,实际的导通时间即为T1. 但存在两个难点(个人总结): 1,受电流检测精度影响,尤其是在过零点检测困难。 2,真实的二极管导通需要一定电压,并非..

圆桌骑士的博客 2万+

GD32F470实战:如何用EXMC+SDRAM为LVGL打造超大内存池(附完整配置代码)

本文详细介绍了如何利用GD32F470的EXMC接口与SDRAM深度整合,为LVGL构建高性能内存解决方案。通过硬件架构设计、EXMC接口配置、高级内存管理策略及LVGL性能优化技巧,开发者可以突破微控制器内存限制,实现高分辨率显示和复杂动画效果。附完整配置代码,助力嵌入式GUI开发。

rrr55的博客 549

融合黑寡妇思想的蜣螂优化算法,代码复现,带消融实验,MATLAB代码

本期文章复现一篇发表于2024年5月8号的一篇改进蜣螂算法。论文引用如下:[1]孔令崧,石颉,孙浩,等.融合黑寡妇思想的蜣螂优化算法[J/OL].微电子学与计算机,1-15[2024-05-09].改进的蜣螂优化算法原理如下:改进策略改进点1:ICMIC混沌映射策略在种群初始化的应用种群初始化在DBO中随机生成,会导致种群初始化分布不均匀,将ICMIC混沌映射策略应用于蜣螂种群初始化,可以提高种...

淘个代码 905

解决VM 与 Device/Credential Guard 不兼容。在禁用 Device/Credential Guard 后,可以运行 VM 的方法

在启用了Credential Guard或Device Guard的Windows 10主机上启动12.5版之前的VMware Workstation中的虚拟机时,将显示蓝色诊断屏幕(BSOD)。 会看到类似于以下内容的错误: VMware Workstation和Device / Credential Guard不兼容。禁用Device / Credential Guard后,可以运行VMwar...

Hern(宋兆恒) 39万+

改进的智能优化算法合集(原创+复现)

↖加关注这种话银家怎么好意思说出口嘛--声明:对于作者的原创代码,禁止转售倒卖,违者必究!以下代码大部分为作者独家原创,大家可以拿走去水水论文。(为避免与别人重复,可以参考我的16种改进策略,稍作改动)有一些质量较高的代码,可以发一些高质量的期刊,因此标价会稍贵!这样也是为了防止作者呕心沥血写出来的代码烂大街。敬请谅解!代码目录①改进的智能优化算法常用的一些工具CEC2005/2017/2019/...

淘个代码 1711

【汽车故障诊断2】从标准到实战:解码DTC格式背后的诊断逻辑

本文深入解析汽车诊断故障码(DTC)的格式与逻辑,对比了OBD-II标准(如ISO 15031-6)的5字符格式与UDS协议(ISO 14229-1)下更丰富的3字节格式。文章从国际标准出发,结合实战案例,阐述了DTC如何作为汽车电子系统的“体检报告”,帮助工程师和维修技师精准定位故障,并详细解读了UDS 19服务如何读取和管理DTC状态。

berry的博客 713

麒麟V10等保三级配置实战:从auditd规则到PAM锁定的可信基线构建

Linux安全基线是信息系统可信运行的基础能力,其核心在于身份鉴别、访问控制与安全审计三大机制的协同落地。在国产化信创环境中,麒麟V10作为深度适配飞腾/鲲鹏平台的操作系统,其等保三级合规并非简单套用CentOS加固脚本,而是需围绕内核审计(auditd)、可插拔认证模块(PAM)及国产安全增强机制(如kysec)进行精细化编排。技术价值体现在将抽象条款(如GB/T 22239-2019中6.1.2、6.3.3条)转化为可验证的命令行操作,确保登录失败可锁定、关键行为可追溯、时间偏差不致日志失效。典型应用场

weixin_29969209的博客 601

独家原创,改进的智能优化算法

↖加关注这种话银家怎么好意思说出口嘛--声明:对于作者的原创代码,禁止转售倒卖,违者必究!以下代码均为作者独家原创,大家可以拿走去水水论文。有一些质量较高的代码,可以发一些高质量的期刊,因此标价会稍贵!这样也是为了防止作者呕心沥血写出来的代码烂大街。敬请谅解!代码目录①改进的智能优化算法常用的一些工具CEC2005/2017/2019/2021/2022函数集智能优化算法对比实验常用指标一键导出为...

淘个代码 355

用 SNC 和 SAP Single Sign-On Secure Login 把 SAP 登录这件小事,变成一件安全又不用输密码的事

在传统的 SAP 系统里,登录这件事看起来很朴素:用户打开 SAP GUI,输入一个 SAP 用户名,再输入一个 SAP 密码,点回车,进系统,开始干活。表面上没毛病,但从安全角度看,这种老办法问题很大。默认情况下,这些用户名和密码在网络上传输时是明文,也就是不加密传输。攻击者如果在公司网络里做监听,理论上可以直接截取到口令信息,这种风险对今天任何一家合规要求高、审计严格的企业来说,基本是不可接受的。(SAP Help Portal)SAP 给出的答案叫做 ,全称是 。SNC 做的事情可以概括成两类:一类是

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 381

【群智能算法】一种改进的蜣螂优化算法IDBO【Matlab代码#11】

一种改进的蜣螂优化算法,加入了Chebyshev映射种群初始化、黄金正弦策略和动态权重系数,matlab代码,可以直接运行,注释极其详细!

jayxiaoxionger的博客 3775

多物理场光学仿真软件:COMSOL_(10).激光器与谐振腔仿真

定义Nd:YAG晶体的材料属性% 折射率% 吸收系数% 发射截面% 定义光泵浦源% 泵浦光波长% 泵浦光强度% 泵浦光方向% 定义全反射镜% 选择边界% 完美电导体边界条件% 定义部分反射镜% 选择边界% 反射率边界条件% 反射率通过 COMSOL 对激光器和光学谐振腔进行仿真,可以全面评估激光器的性能,包括输出功率、效率、稳定性和模式选择等。这些仿真结果为激光器的设计和优化提供了重要的参考依据。

kkchenjj的博客 1650

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

自适应螺旋飞行麻雀搜索算法

受鲸鱼优化算法螺旋操作的启发,引入了可变螺旋位置更新策略,以使跟随者位置更新更灵活,开发各种位置更新搜索路径,并平衡算法的全局和局部搜索。的均匀分布的随机数。随着跟随者位置更新的范围从大到小,在早期找到更多高质量的解,后期优化减少了空闲工作的增加,从而提高了算法的全局最优搜索性能。在算法的初始阶段,它削弱了随机初始化的影响,平衡了下面的Levy飞行机制,从而增强了算法的局部搜索和全局搜索。函数的特点,算法开始时权值较小,但优化速度较快,后期权值较大,但变化速度较慢,因此算法的收敛性是平衡的。........

心升明月的博客 4879

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

一种改进的黏菌优化算法

文章目录一、理论基础1、黏菌算法2、改进的黏菌算法2.1 基于混沌反向的学习策略2.2 自适应策略2.2.1 新的非线性递减策略2.2.2 线性递减选择范围2.3 螺旋搜索策略2.4 MSMA算法伪代码二、仿真实验与结果分析三、参考文献 一、理论基础 1、黏菌算法 请参考这里。 2、改进的黏菌算法 为了克服基本SMA的缺点,本文提出了三种改进策略来提高其性能,分别是:采用基于混沌反向的学习策略增强种群多样性;采用自适应策略平衡算法的开发和探索能力;为了防止算法陷入局部最优,采用了螺旋搜索策略。下面详细介绍三

心升明月的博客 4655

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

螺旋探索与自适应混合变异的麻雀搜索算法

针对麻雀搜索算法(SSA)收敛速度慢,易陷入局部最优的问题,提出一种螺旋探索与自适应混合变异的麻雀搜索算法(SHSSA)。首先,采用一种无限次折叠的ICMIC混沌初始化种群,增加种群多样性和遍历性,为全局寻优奠定基础;其次,融入一种螺旋探索策略,增强发现者探索未知区域的能力,提高算法的全局搜索性能;然后,提出一种基于精英差分和随机反向的混合变异策略,加快算法收敛速度,改善算法跳出局部最优的能力。基于12个基准测试函数的仿真结果表明,SHSSA与其余3种算法相比,收敛速度更快、寻优精度更高,稳定性更强。

心升明月的博客 4485

基于透镜成像学习策略的灰狼优化算法-附代码

在灰狼优化算法中 , C是一个重要的参数 , 其功能是负责算法的勘探能力 . 目前 , 针对参数 C的研究工作相对较少 .另外 , 在算法进化过程中 , 群体中其他个体均向 α 、 β 和 δ 所在区域靠近以加快收敛速度 . 然而 , 算法易陷入局部最优 . 为解决以上问题 , 本文提出一种改进的灰狼优化算法 (Lens imaging learning grey wolf optimizer algorithm, LIL-GWO). 该算法首先分析了参数 C 的作用 , 提出一种新的参数 C 策略以平衡算

Jack旭的博客 2254

实验丰富、原创改进!|多策略改进蜣螂优化算法(MATLAB)

东华大学沈波教授团队在2022年提出蜣螂优化算法 (Dung Beetle Optimizer,DBO) [1],该算法与PSO、GWO、WOA、SSA、SCA、MVO、HHO相比均显示出一定然而,它有其他SI算法存在的问题,如全局探索和局部开发能力不平衡、面对复杂问题的易陷入局部最优等,其收敛速度和精度仍有改进的可能。因此针对DBO存在的问题,KAU将对DBO进行改进。

sfejojno的博客 3419

【群智能算法】一种改进的蜣螂优化算法IDBO[2]【Matlab代码#18】

一种改进的蜣螂优化算法IDBO,采用多种策略提高算法跳出局部最优的能力,在多峰函数上也表现优异!

jayxiaoxionger的博客 4980

强强联合!三种策略改进的蛇优化算法(GOSO)

今天给大家带来的是一个改进的蛇算法(GOSO)。该算法是由作者自行改进。算法融合了减法优化器算法,反向学习策略和混沌映射。01原理简述融合减法优化器减法优化器算法是2023年最新的优化算法,该算法收敛速度和寻优精度极快,原理简单。有关减法优化器算法的原理请参考这篇文章。2023年优化算法之减法平均优化器,matlab代码直接复制,并与灰狼,粒子群算法比较...

淘个代码 2588

多方向螺旋搜索的混沌海鸥优化算法-附代码

摘要:针对海鸥优化算法(SOA)寻优路径单一、寻优精度较低、易陷入局部最优等问题,提出新的多方向螺旋搜索的混沌海鸥优化算法(Multi-directional Exploring Seagull Optimization Algorithm Based On Chaotic Map MESOA)。首先,利用混沌序列对海鸥种群进行初始化,令海鸥个体分布更加均匀,能够更加准确地接近目标;其次,让海鸥选择不同方向的螺旋飞行路径,使海鸥飞行路径不再单一,增加算法多样性;最后,根据算法收敛情况进行围绕目标的小范围搜索

Jack旭的博客 1749

混合策略改进鲸鱼优化算法-附代码

为使鲸鱼优化算法在具备摆脱局部最优区域能力的同时提升算法寻优能力,提出一种基于混合策略的改进鲸鱼优化算法。利用混沌的特性对初始种群位置进行优化,使种群个体更加丰富多样,位置分布更加合理;提出一种混合反向学习策略,将透镜成像反向学习策略和最优最差反向学习策略相结合,提高领导者跳出局部最优区域的能力,提高算法的求解精度;出于协调改进算法勘探能力的目的,将自适应概率阈值p'和权重ω 融入到算法中。......

Jack旭的博客 3996

16种常用智能优化算法改进策略---剩余篇,可用于改进所有智能算法,让小白也会改进智能算法。...

俗话说,授人以鱼不如授人以渔。智能算法的改进作为一个创新点,大家任何时候都可以拿来去水水论文,甚至专利。网上关于智能算法改进的论文不计其数!但是,如果细数改进策略!也是能够数的过来的!之前作者推出过两篇关于智能算法常用的改进策略。包含的改进策略有:①莱维飞行,②随机游走,③螺旋飞行,④高斯随机游走,⑤三角形游走,⑥高斯变异,⑦t分布扰动变异,⑧自适应t分布扰动变异,⑨柯西变异,⑩差分变异。为了方便...

淘个代码 1万+

一看就会!四种策略改进的蜣螂算法求解三维无人机路径规划!原理公式详解!附赠与原算法对比!出图美观直接用!

大家在改进智能优化算法的时候,传统的工程应用已经吸引不了审稿人的注意,非常容易被拒稿!今天为大家带来一期多策略改进的蜣螂算法求解三维无人机路径规划代码,适合作为创新点!同时也附赠与原DBO算法的对比

QSJIQIXUEXI的博客 4236
上一篇: “三高”论文完美复现!基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断,实现早期微弱故障诊断,MATLAB代码实现...
下一篇: “三高”论文完美复现!基于EEMD奇异值熵的滚动轴承故障诊断方法,MATLAB代码实现...
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值