文章 "种群优化算法：鸟群算法（BSA）"

新评论
 

新文章 种群优化算法：鸟群算法（BSA）已发布：

本文探讨了受自然界鸟类集群行为启发而产生的基于鸟群的算法（BSA）。BSA中的个体采用不同的搜索策略，包括在飞行、警戒和觅食行为之间的切换，使得该算法具有多面性。它利用鸟类集群、交流、适应性、领导与跟随等规则来高效地找到最优解。

鸟群算法（Bird Swarm Algorithm，简称BSA）是一种令人兴奋的受生物启发的进化算法，是基于鸟群社会互动和行为的群体智能。BSA由Meng及其同伴于2015年开发，是一种独特的优化方法，它结合了鸟类行为的三个关键方面：飞行、觅食和警戒。在电子鸟群中，每只“鸟”都有各自的战术和策略，由此诞生了一个充满算法智能和创造力的独特的集体交互系统。在这里，重要的不仅是个人的努力，还有在追求优化这一共同目标过程中的相互合作、交流和支持。  

在BSA中，不同的个体可能采用不同的搜索策略。鸟类可以在飞行、警戒和觅食行为之间随机切换。该仿生设计算法包括基于全局适应度和个体适应度的觅食策略。鸟类也会尝试向种群中心移动（这可能会与其他鸟类产生竞争）或远离鸟群。鸟类的行为包括常规的飞行和迁徙，以及在生产者（给予者）和乞讨者（接受者）角色之间进行切换。在BSA中，每一次迭代，每个个体都有自己的搜索策略，这使得该算法具有多面性，并能够充分发挥其作用。

作者：Andrey Dik

 
哪个 AO 收敛得最快（FF 计算次数）？收敛到哪里并不重要。只要步数最少就行。
 
fxsaber #:
哪个 AO 收敛得最快（FF 计算次数）？收敛到哪里并不重要。只要步数最少就行。
前五名中的任何一个，它们的收敛速度都非常快。
 
Andrey Dik #:
前 5 位中的任何一位，收敛速度都非常快。

可惜没有快速的数值。

 
fxsaber #:

可惜速度没有数值。

你可以这样做，进行多次测试，保存每个时间点的 FF 值，计算每个相应时间点的平均改进值。当然，不同数量的变量会有不同的数值。如果你对 "收敛速度 "的数字指标非常挑剔，就会出现这种情况。

在对所有三个测试函数（10 个参数）进行的第一次测试中，列表中的前 5 名在第 100 个历元左右就已经非常接近理论最大值了（人口为 50）。

 
Andrey Dik #:

当然，你也可以这样做，做几次测试，保存每个时间点的 FF 值，计算每个相应时间点的平均改进。当然，每个变量的数量会有不同的指标。如果你对 "收敛速度 "的数值指标非常挑剔，就可以这样做。

在对所有三个测试函数（10 个参数）进行的第一次测试中，列表中的前 5 名在第 100 个历元 左右就已经非常接近理论最大值了（人口为 50）。

~5000 FF？

 
fxsaber #:

~5000 FF？

是的，即使是第 50 个纪元，也已经达到理论最大值的 70-80% 左右。

当然，这是在参数步长为 0 的情况下（我在测试时就是这么做的）。如果步长不同于 0，收敛性会更高。

新评论