Algoritmo de optimización inteligente: Algoritmo de optimización Satin Blue Bowerbird

Resumen: El algoritmo de optimización del pájaro emparrado satinado (SBO) [1] fue propuesto por Seyyed Hamid Samareh Moosavi y Vahid Khatibi Bardsiri en 2017 para simular la edad adulta en la naturaleza. El comportamiento de cortejo de los machos satinados Los bowerbirds azules, combinados con un nuevo algoritmo de inteligencia de enjambre propuesto por el Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS), pueden mejorar efectivamente la precisión de la evaluación del trabajo de desarrollo de software. Este algoritmo combina operaciones como el tamaño del paso dinámico y la mutación, y tiene un buen rendimiento de optimización.

El Bowerbird azul satinado, también conocido como Bowerbird azul satinado, se encuentra en el este y sureste de Australia. Los machos maduros pasan la mayor parte de su tiempo construyendo casetas de cortejo, exhibiéndose chillando y silbando cuando las hembras pasan, y sosteniendo objetos brillantes en sus picos para atraer a las hembras, que prefieren machos agresivos. Las casetas de cortejo de las hembras mayores tienen más probabilidades de atraer a las hembras. la atención de la mujer. Sin embargo, no todos los machos pueden construir con éxito una caseta de apareamiento y defenderla bien, y también hay casos en los que la caseta de cortejo es destruida. Según los hábitos de vida del Bowerbird Satin Blue, el algoritmo SBO se divide en los siguientes pasos:

1). Al igual que otros algoritmos metaheurísticos, el algoritmo SBO genera aleatoriamente una población inicial que contiene individuos, donde es el tamaño de la población y es el número de variables de decisión incluidas en la función a optimizar, es decir, el número de dimensiones, que representa el número de generaciones anteriores a la evolución.

2) Calcule el valor de aptitud de cada individuo y luego calcule la proporción de este valor de aptitud en el valor de aptitud total del grupo, indicando la probabilidad de que el individuo sea seleccionado en el proceso de selección. La probabilidad de que se seleccione un quiosco se calcula mediante la fórmula (1) y la fórmula (2) representa el valor moderado del primer quiosco. La fórmula (2) es la función de costo del primer quiosco, es decir, el. función objetivo. Cada Cada iteración debe garantizar que el valor de la función de costo continúe disminuyendo.

3). Actualizar la población. El pájaro macho ajustará continuamente la posición de la cabina de cortejo basándose en la experiencia histórica y utilizando el mecanismo de intercambio de información. Su fórmula de actualización de posición se muestra en la Ecuación (3).

En la fórmula, es el primer componente dimensional del individuo de primera generación; es la posición óptima del primer componente dimensional actualmente buscado, determinado por el mecanismo de selección de la ruleta es el primer componente dimensional actual de todo el conjunto; población la ubicación óptima. es el coeficiente de paso, calculado mediante la ecuación (4), que puede evitar eficazmente que el algoritmo se salte el pico de la función.

Entre ellos, el umbral máximo del tamaño del paso es la probabilidad de que se seleccione la cabina de acoplamiento objetivo. Cuanto mayor sea la probabilidad de que se seleccione la posición objetivo, menor será el tamaño del paso. Cuando la probabilidad de que se seleccione la posición objetivo es 0, el tamaño del paso es el mayor, y cuando la probabilidad de que se seleccione la posición objetivo es 1, el El tamaño del paso es el más pequeño.

4).Diferencias individuales. En la mayoría de los casos, los machos fuertes robarán materiales de otros machos o incluso destruirán sus puestos de cortejo. Por lo tanto, al final del ciclo del algoritmo, ocurrirán mutaciones aleatorias con una cierta probabilidad durante el proceso de mutación. se muestra en la ecuación (7).

En la fórmula (6), la fórmula de cálculo de la desviación estándar es como se muestra en (7):

En la fórmula, es el factor de escala y son los límites superior e inferior de la variable.

5). Fusionar la población antigua y la población obtenida por mutación. Al final de cada ciclo, la población anterior y la población obtenida por mutación se fusionan en una población fusionada, y los valores de la función de costos de todos los individuos en la población fusionada se ordenan de pequeño a grande, el individuo con la función más pequeña se retiene el valor y se eliminan los individuos restantes. En este momento, si se cumple la condición de terminación, se generará la mejor posición y su valor óptimo correspondiente; de ​​lo contrario, la iteración continuará.

Generar aleatoriamente la población inicial

Calcular el valor de la función de costos de los individuos en la cabina de cortejo

Determinar la ubicación de la mejor cabina de cortejo

Cuando (no se cumple la condición de terminación)

Utilice las fórmulas (1) y (2) para calcular la probabilidad de que se seleccione cada cabina de apareamiento