2024最新:​鹅优化算法(GO),原理公式详解,附matlab代码

别再只盯着PSO了!2024年新秀‘鹅优化算法’(GOOSE)保姆级Matlab代码解读与避坑指南 本文深入解析2024年新兴的群智能优化算法——鹅优化算法(GOOSE Algorithm),通过Matlab代码实现详细展示其核心机制与性能优势。相较于传统PSO算法,GOOSE在收敛速度和求解精度上表现更佳,特别适合复杂多峰函数优化。文章还提供了实战避坑指南和进阶优化建议,助力开发者高效应用这一创新算法。 阅读详情
AI摘要

本文介绍了一种新颖的优化算法——鹅优化算法(GOOSE),灵感来源于鹅的休息和觅食行为。该算法通过动态调整搜索策略,具有快速收敛和高精度的特点,已在知名SCI期刊EvolvingSystems上发表。

鹅优化算法(GOOSE Algorithm,GO)是一种群智能优化算法,Rebwar Khalid Hamad提出了一种基于鹅的休息和觅食行为的新型元启发式算法。鹅用一条腿站立,保持平衡,以保护和保护群中的其他个体。该算法通过自适应地调整搜索空间的分辨率和搜索速度,以快速而准确地找到最优解,具有收敛速度快、求解精度高等特点,是一个出色的优化算法。该成果于2024年发表在知名SCI期刊JCQ3区Evolving Systems上。

fa4399460ba1140fe7dd0d6866a1f014.png

GO从鹅的休息和觅食行为获得灵感,当鹅听到任何奇怪的声音或动作时,它们会发出响亮的声音来唤醒群中的个体,并保证它们的安全。

鹅群在它们之间创造了一种有吸引力的保护氛围。鹅的动作特点分为三类:1. 在它们休息的时候,大雁成群地聚集在一起,其中一只用单腿保持平衡。2. 偶尔,他抬起一条腿,扛起一块小石头,这样,当他睡着时,石头又掉了下来,鹅就会醒过来。3. 当鹅注意到任何意外的噪音或活动时,它会发出响亮的叫声来警告群中的其他动物,以保证它们的安全。

be7e8d895677e300ebb767e6a647a29f.png

鹅成群地聚集在它们的避难所和休息区。在种群中,会有一只鹅被指派守卫,这只鹅开始通过站立和单腿平衡来执行他的命令。每当鹅睡着时,它的腿或它携带的石头就会掉到地上。这时,岩石的声音传到了群中的另一只鹅。它一听到这个声音就会处于被剥削的状态。因此,其他个体需要一些时间才能听到守护鹅的叫声。

61799b8a95aa6bb62452f59eb6d82ccb.png

1、算法原理

(1)开发阶段

我们首先需要估计鹅脚里的石头的重量,在5到25公斤之间。通过下式,我们可以在任意迭代中随机求出石头的重量。这个变量指示迭代的次数。

然后,在下式中,我们应该找到当石头落下时到达地球所需的时间time_of_arrive_object。它是随机的,在1到循环中每次迭代的维数之间。

在下式中,我们找到了物体撞击地面并发出声音并传递给群中每只鹅的时间Time_of_Arrive_Soundit。

在下一个等式中,找出声音在整个迭代过程中传播并到达群中单个鹅所需的总时间。如该式所示,维度除以总时间量。

为了得到所需的平均时间,我们将总时间除以2。下式解释了步骤。

正如我们之前所讨论的,有一个随机变量rnd负责开发和探索阶段的分布。变量pro的值在[0,1]范围内随机选取。假设变量pro的值大于0.2,且Stone_Weightit大于等于12。在上式中,time_of_arrive_object乘以stone_weight的平方根除以物体的加速度。为了保护和唤醒群体中的个体,这些方程式应该被计算出来。

(2)探索阶段

一旦其中一只鹅醒来,它们就开始尖叫,以保护鸟群中的所有个体,此时开始进入探索阶段。如果变量rnd的值小于0.5,那么应用以下方程。

通过使用randn(1, dim)确保鹅随机探索搜索空间中的其他个体。然而,Minimum_Time和alpha变量都被用来提高GOOSE的可搜索性。在下式中,将时间和alpha的最小值乘以一个随机数,然后加到搜索空间中的最佳位置。

Міпітит

其中dim是问题维度的数量,Best_pos是我们在搜索区域中找到的最佳位置。

总而言之,鹅算法随机开始生成种群。然后,在第一次迭代中,它检查种群中的值,以恢复边界外的值。同时,实现目标函数来确定搜索边界内的最佳分数和最佳位置。为了控制开发和勘探阶段,我们使用随机选择值的随机变量rand。如果rand的值大于或等于0.5,则激活探索阶段。

2、结果展示

18e3a3772315b500ba934f9124c2321c.png

844163ba09b720957cfde0a23cb68350.png

70bacaa8055a39df78e88ce4593be288.png

1c1f4b1416dfdd86dfd32a6f6cf34c2d.png

8e9b99655907f1d1d50a4ebed224fa3b.png

可以看到,该算法基本不会陷入局部最优解。搜索效率也还不错!

3、MATLAB核心代码

%% 淘个代码 %%
% 微信公众号搜索:淘个代码,获取更多代码
% 鹅优化算法(GO)
function [Best_score,Best_pos,Cong_Curve]=GOOSE(SearchAgents_no,Max_IT,lb,ub,dim,fobj)
Best_pos=zeros(1,dim);
Best_score=inf;                          %change this to -inf for maximization problems
M_T=inf;
Cong_Curve=zeros(1,Max_IT);
%Initialize the positions of search agents
X=initialization(SearchAgents_no,dim,ub,lb);
Distance_Goose=zeros(SearchAgents_no,dim);
loop=0;                                               % Loop counter
% Main loop
while loop<Max_IT
    for i=1:size(X,1)
        % Return back the search agents that go beyond the boundaries of the search space
        Flag4ub=X(i,:)>ub;
        Flag4lb=X(i,:)<lb;
        X(i,:)=(X(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        % Calculate objective function for each search agent
        fitness=fobj(X(i,:));
        if fitness<Best_score
            Best_score=fitness;
            Best_pos=X(i,:);
        end
    end
    for i=1:size(X,1)
        pro=rand;
        rnd=rand;
        coe=rand();
        if(coe<=0.17)
            coe;
        else
            coe=0.17;
        end
S_W(i,:)=randi([5,25],1,1);                                         %Eq.(3.1)
        % Time of Arrive object to earth.
T_o_A_O(i,:)=rand(1,dim);                                           %Eq.(3.2)
        % Time of Arrive Sound to Groups
T_o_A_S(i,:)=rand(1,dim);                                           %Eq.(3.3)
T_T=sum(T_o_A_S(i,:))/dim;                                          %Eq.(3.4)
        % Determine Time Average
T_A=T_T/2;                                                          %Eq.(3.5)
        if rnd>=0.5
            if pro>0.2
                if S_W>=12
                    %  Calculate Free Fall Speed
                    F_F_S=T_o_A_O(i,:) *(sqrt(S_W(i,:))/ 9.81);       %Eq.(3.6)
                    S_S=343.2;
                    D_S_T(i,:)=S_S* T_o_A_S(i,:);                     %Eq.(3.7)
                    D_G(i,:)=0.5* D_S_T(i,:);                         %Eq.(3.8)
                    X(i,:)=F_F_S + D_G(i,:)* T_A^2;                     %Eq.(3.9)
                elseif S_W<12
                elseif pro<=0.2
                    %  Calculate Free Fall Speed
                    F_F_S=T_o_A_O(i,:) *(S_W(i,:)/ 9.81);             %Eq.(3.10)
                    S_S=343.2;
                    D_S_T(i,:)=S_S* T_o_A_S(i,:);                     %Eq.(3.7)
                    D_G(i,:)=0.5* D_S_T(i,:);                         %Eq.(3.8)
                    X(i,:)=F_F_S.*D_G(i,:)* T_A^2*coe;                  %Eq.(3.11)
                end
            end
        else
            if M_T>T_T
                M_T=T_T;
            end
            alpha=(2-(loop/(Max_IT/2)));                         %Eq.(3.12)
            %random an awakening
            % exploring wakeup without holding stone.
            X(i,:)=randn(1,dim).*(M_T*alpha)+Best_pos;           %Eq.(3.13)
        end
    end
    loop=loop+1;
    Cong_Curve(loop)=Best_score;
end

参考文献

[1] Hamad R K, Rashid T A. GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond[J]. Evolving Systems, 2024: 1-26.

完整代码获取方式:后台回复关键字:

TGDM199

【群智能算法】2024年SCI一区冠豪猪优化算法-(CPO),含有MathType公式、伪代码、matlab代码等。 冠豪猪优化器(Crested Porcupine Optimizer, CPO)由Abdel-Basset等人于2024年1月提出,发表在中科院1区SCI期刊Knowledge-Based Systems上。 阅读详情

相关推荐

算法 | 2024最新算法:鳑鲏鱼优化算法原理,公式,应用,算法改进研究综述,matlab代码

鳑鲏鱼优化算法(Bitterling Fish Optimization, BFO)是2024年提出的一种新型群智能优化算法,受鳑鲏鱼独特的繁殖行为启发,通过模拟其交配、产卵和竞争机制进行全局优化。该算法在多个领域展现出优越性能,尤其在解决复杂非线性问题中表现突出。

尘世冰封的专栏 843

鹅优化算法(GOOSE)-2024年新SCI算法-公式原理详解与性能测评 Matlab代码免费获取

鹅优化算法(GOOSE)是一种新型的元启发式算法,于2024年1月发表在SCI知名期刊《Evolving Systems》上。从原理上看,该算法实现简单、易于改进,没有特别复杂的公式,也没有加莱维飞行等混合拼凑策略,适合新手小白练手~

QSJIQIXUEXI的博客 4047

一种新兴的群智能优化算法,斑马优化算法(2022)

一种新兴的群智能优化算法,斑马优化算法(2022)

2024 最新群智能优化算法:鹅优化算法(GOOSE Algorithm, GO)详解及代码实现、改进思路

鹅优化算法(GOOSE Algorithm,简称GOOSE)是一种基于鹅群休息和觅食行为的新型智能优化算法,由Rebwar Khalid Hamad于2024年提出。该算法模拟了鹅在面对潜在威胁时发出警鸣唤醒群体、以及单腿站立保持平衡的行为。通过自适应调整搜索空间的分辨率和搜索速度,GOOSE算法能够快速准确地找到最优解,具有收敛速度快、精度高等优点,广泛适用于各种复杂的优化问题。

2503_90234341的博客 4502

GOOSE-BP鹅优化算法优化BP神经网络分类预测(Matlab完整源码和数据)

1.Matlab实现GOOSE-BP鹅优化算法优化BP神经网络分类预测(Matlab完整源码和数据)。 2.输出对比图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:优快云搜索博主名称机器学习之心,优快云博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信。

保姆级教程:用ROS2 Humble + Gazebo Classic 从零搭建一个能键盘控制的差分AGV模型

本文提供了一份详细的ROS2 Humble与Gazebo Classic教程,指导用户从零开始搭建一个键盘控制的差分AGV模型。内容涵盖环境配置、Xacro文件设计、Gazebo仿真集成以及键盘控制实现,特别针对常见问题提供解决方案,帮助开发者快速掌握ROS2机器人仿真技术。

weixin_30387423的博客 169

2024最新:鳑鮍鱼优化算法(BFO),原理公式详解,附matlab代码

鳑鮍鱼优化算法(Bitterling fish optimization algorithm,BFO)是一种受自然启发的群智能优化算法,鳑鮍鱼是自然界中为了生存而做出聪明行为的典型例子。该算法基于这些鱼的交配行为对鳑鮍鱼优化算法进行建模。在各种基准函数上的实验和实现表明,鳑鮍鱼优化算法比灰狼优化算法、鲸鱼优化算法、蝴蝶优化算法和哈里斯鹰优化算法算法更精确。该成果于2024年发表在知名SCI期刊Mu...

淘个代码 2755

宇树G1嵌入式软件架构及技术实现

该架构通过硬件加速(FPGA)+确定性调度(RTX5)的组合,在1ms控制周期内完成从传感器采集到43轴输出的全链路处理,相比波士顿动力系统缩短40%的着地稳定时间。,结合ARM Cortex-R5与FPGA的异构计算能力,实现43自由度1kHz实时控制。

m0_60674045的博客 4311

单目标:鹅优化算法(代码版见最下)

鹅优化算法(GOOSE Algorithm,GO)是2024年由Rebwar Khalid Hamad提出的一种群智能优化算法,该成果发表在知名SCI期刊JCQ3区 Evolving Systems 上。这是一种基于鹅的休息和觅食行为的新型元启发式算法。

人心中的成见是一座大山… 3004

避坑指南:Unity新版InputSystem在移动端的5个常见问题及解决方案

本文针对Unity新版InputSystem在移动端开发中的常见问题,提供了5个关键解决方案,包括虚拟摇杆灵敏度调节、多点触控冲突处理、按钮反馈延迟优化、手势识别与陀螺仪数据融合以及Android/iOS平台差异处理。这些实战经验帮助开发者高效解决触控适配难题,提升移动游戏体验。

soda5的博客 405

【安全设备篇】HVV面试专题

还有就是这个可能是被访问的这个内网系统,本身业务系统存在业务逻辑问题,因为内网所布置的很多业务系统往往不会考虑一些安全性问题,比如在正常的业务逻辑请求中直接带了sql语句,就会触发设备规则产生告警,这一类是属于误报,然后会将此告警上报给研判人员,需要研判组专家和甲方客户确认下是否是该系统存在此业务逻辑问题,并且需要确认告警的源ip在此告警的时间段附近有没有进行操作过。天眼日志分析主要基于系统和应用程序的日志数据来识别安全威胁,而威胁感知则通过收集和分析多种来源的情报信息。理解威胁的性质和威胁背后的原理。

大河之犬的博客 7928

2024年智能优化算法——极光优化算法,原理详解,MATLAB代码免费获取

极光优化算法(Polar Lights Optimization, PLO)是一种受自然奇观启发的元启发式优化算法。结合了高能粒子的运动和研究物理学的基本原理,极光优化算法是一个独特的模拟粒子运动的模型。该模型结合了旋转运动和极光椭圆行走,前者有利于局部开采,后者有利于全球勘探。通过协同结合这两种策略,拟议的PLO实现了本地开发和全球勘探的平衡方法。此外,还引入了粒子碰撞策略,提高了逃避局部最优的...

淘个代码 2734

PNP NPN线性接近开关接线嵌入式:详细指南与示例代码

在嵌入式系统中,PNP和NPN线性接近开关是常用的传感器类型,用于检测物体的接近或离开。在嵌入式系统中,PNP和NPN线制接近开关是常用的传感器类型,用于检测物体的接近或离开。本文提供了有关PNP和NPN线性接近开关接线的详细指南,并提供了一个简单的示例代码,以帮助您在嵌入式系统中正确使用这些传感器PNP NPN 线制接近开关接线 嵌入式:详细指南与示例代码。与PNP开关不同的是,NPN线性接近开关的正极连接至系统的正极电源。与PNP开关不同的是,NPN线制接近开关的正极连接至系统的正极电源。

CyberSphinx的博客 1272

2024年最新-协同群优化算法,原理详解,MATLAB代码免费获取

协同群优化算法(Synergistic Swarm Optimization Algorithm,SSOA)结合了群体智能和协同合作的原则,有效地搜索最优解。采用协同合作机制,粒子交换信息,互相学习,以提高他们的搜索行为。这种合作增强了搜索空间中有前景区域的开发,同时保持了探索能力。此外,该算法具有自适应机制,如动态参数调整和多元化战略,以平衡勘探和开发。该成果于2024年发表在计算机领域三区SC...

淘个代码 1488

tinyddp使用详解

tinyddp使用详解: 1、创建服务端,客户端 2、远程调用 3、发布订阅 4、设置日志

LDC,公众号【轻松学编程】 219

诊断数据库ODX标准协议ISO22901定义组成部分

综上所述,简略描述了ODX数据库中UML/XML/Text/Check rules具体功能以及详细内容。

Soly_kun的博客 907

2024年最新优化算法——苔藓生长优化算法,原理详解,MATLAB代码免费获取

苔藓生长优化算法(The Moss Growth Optimization,MGO)是受自然环境中苔藓生长规律的启发而提出的。MGO算法首先通过一种称为确定风向的机制来确定种群的进化方向,该机制采用了一种划分种群的方法。从藓类植物的无性繁殖、有性繁殖和营养繁殖中得到启发,提出了孢子扩散搜索和双繁殖搜索两种新的搜索策略,分别用于探索和开发。最后,最后,隐生机制改变了传统元启发式算法直接修改个体解的方...

淘个代码 1757

n8n智能体开发:Microsoft Outlook 节点

使用 Microsoft Outlook 节点可以自动化 Microsoft Outlook 工作流程,并将其与其他应用程序集成。n8n 内置支持多种 Microsoft Outlook 功能,包括创建、更新、删除和获取文件夹、邮件及草稿等操作。

王国平的博客 570

海星优化算法(SFOA)-2024年12月SCI最新算法-公式原理详解与性能测评 Matlab代码免费获取

海星优化算法(SFOA)是一种新型的元启发式算法,灵感来源于海星的探索、捕食和再生等行为,采用五维和一维搜索模式相结合的搜索模式提高计算效率,且原文对比的算法达到了100种,不得不说越来越卷了!该成果于2024年12月发表在SCI期刊上!

QSJIQIXUEXI的博客 4892

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

2024年新算法-冠豪猪优化算法(CPO)-公式原理详解与性能测评 附赠Matlab代码

今天为大家带来一期冠豪猪优化算法(CPO)-公式原理详解与性能测评,冠豪猪优化器(Crested Porcupine Optimizer)于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上!独家原创!

QSJIQIXUEXI的博客 1万+

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

河马优化算法(HO)-2024年Nature子刊新算法 公式原理详解与性能测评 Matlab代码免费获取

河马优化算法(HO)是一种新型的元启发式算法。该成果于2024年2月发表在Nature旗下子刊上。注意,该算法的作者中包括了Seyedali Mirjalili这位大名鼎鼎的学者,非常经典的灰狼优化、鲸鱼优化算法就是出自他手,性能有保障!

QSJIQIXUEXI的博客 1万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

2024年最新优化算法——莲花效应算法,MATLAB代码免费获取

注:该算法已按照智能优化算法APP标准格式进行整改,可直接集成到APP中,方便大家与自己的算法进行对比。莲花效应算法(Lotus Effect Algorithm,LAE)是一种新的进化算法,它将蜻蜓算法中的高效算子与叶子上的水的自清洁特征(莲花效应)相结合,进行提取和局部搜索操作。荷叶的效果表明荷叶具有超疏水和自洁特性。植物叶子的特性导致水分在叶子上收集土壤,然后顺着叶子滑下而不被吸收。这种情况...

淘个代码 980

极光优化算法(PLO)-2024年8月SCI新算法-公式原理详解与性能测评 Matlab代码免费获取

极光优化算法(PLO)是一种新型的元启发式算法(智能优化算法),灵感来源于自然界中的极光现象。不同于以往的动物园算法,该算法清晰易懂,性能也不错,值得一试!该成果于2024年8月发表在SCI期刊《Neurocomputing》上!

QSJIQIXUEXI的博客 3600

雪雁优化算法(SGA)-2024年SCI一区新算法-公式原理详解与性能测评 Matlab代码免费获取

雪雁优化算法(SGA)是一种新型的元启发式算法。作者模拟了雪雁在迁徙过程中的飞行模式。算法代码结构清晰易懂,性能也不错,适合新手小白!该算法于2024年发表在SCI一区期刊《Applied Mathematical Modelling》上!

QSJIQIXUEXI的博客 1456

2024最新——逃生优化算法,MATLAB代码免费获取

注:该算法已按照智能优化算法APP标准格式进行整改,可直接集成到APP中,方便大家与自己的算法进行对比。逃生算法(Escape algorithm,ESC),这是一种受人群疏散行为启发的元启发式算法。该算法受人群疏散行为的启发,用于解决现实案例和基准问题。ESC算法模拟疏散过程中人群的行为,将人群在探索阶段分为冷静、聚集和恐慌三组,反映不同层次的决策和情绪状态。冷静的个体引导人群走向安全地带,聚集...

淘个代码 1371

鹦鹉优化算法(PO)-2024年新算法-公式原理详解与性能测评 Matlab代码免费获取

鹦鹉优化算法(Parrot optimizer, PO)是一种新型的元启发式算法(智能优化算法),灵感来源于鹦鹉与主人的关系。该成果由Junbo Lian等人于2024年发表在SCI二区Top期刊《Computers in Biology and Medicine》上。由于发表时间较短,谷歌学术上还没人引用!你先用,你就是创新!

QSJIQIXUEXI的博客 2532
上一篇: 最新算法:​河马优化(HO),帮你试过了,效果还不错!原理公式详解,附matlab代码...
下一篇: 2024新算法:鹅算法优化VMD参数,五种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵...
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 4
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