智能優(yōu)化算法:雞群優(yōu)化算法-附代碼

2023年12月5日發(fā)(作者：光輝燦爛)

-

智能優(yōu)化算法：雞群優(yōu)化算法-附代碼智能優(yōu)化算法：雞群優(yōu)化算法-附代碼文章目錄摘要：雞群算法 (Chicken Swarm Optimization，CSO) 是一種新穎的仿生學算法，充分繼承群智能優(yōu)化特點，創(chuàng)新采用個體分類、協(xié)作優(yōu)化，最大程度挖掘最優(yōu)解，又能很好避免早熟現(xiàn)象。具有收斂快，尋優(yōu)能力強的特點。1.算法原理1.1 雞群優(yōu)化算法簡介新型的仿生學算法—雞群優(yōu)化算法，它模擬群的等級制度和雞群的群體活動行為。 在特殊的等級制度下雞群中不同雞種搜尋食物時存在著競爭。公雞搜索食物能力強，適應值小；母雞其次；小雞搜索食物能力最弱，適應值最大。為了簡化，文中通過下列規(guī)則理想化雞群算法：1. 雞群按公雞個數(shù)來分組，每組由一只公雞、一些母雞和小雞組成，有幾只公雞就有幾組。2. 分組中，公雞搜索能力最強，處于統(tǒng)治地位，適應值最小；搜索能力稍差的母雞緊跟在公雞周圍搜索食物，適應度值稍大；其中一些母雞還帶領小雞，小雞搜索能力最差，只在母雞周圍搜索食物，適應度值最大，實現(xiàn)局部搜索功能。3. 在等級制度下，分組中公雞的統(tǒng)治關系和母雞 - 小雞的母子關系將會改變。4. 通過適應度值來建立這種等級秩序，并隨機分組建立公雞與母雞的關系，隨機建立母雞—小雞的母子關系。雞群中，適應度值越小的個體越占有優(yōu)勢，可以優(yōu)先獲得食物，并且統(tǒng)領適應度值大的個體。 適應度值最小的個體對應雞群中的公雞，稍大的對應于母雞，最大的對應于小雞，在這種等級秩序下它們以組為單位合作，并按照各自的運動規(guī)律更新位置，進行搜索，最終搜索到最佳的覓食位置，即得到最優(yōu)解。1.2 位置更新策略因為不同的雞種有不同的運動規(guī)律， 因此，以下 3 種個體的位置更新策略各不相同。1.2.1公雞的位置更新策略適應度好的公雞能夠在更大的范圍內搜索食物，而且比適應度差的公雞能夠優(yōu)先獲得食物實現(xiàn)全局搜索，它的位置更新受隨機選取的其他公雞位置的影響，則更新策略見式（1）-（2）xi,j=xi,j[1+Randn(0,δ2)]t+1t(1)1,fi≤fs??fs?fi∣fi∣+ε,fi>fs?e??=iδ2=s∈[1,RN],s(2)式 (1)-(2) 中：第

i 只公雞位置的第 j 維的值表示為，s 表示當前的迭代次數(shù)，表示服從期望值為0 ，方差值為 2 的正態(tài)分布隨機數(shù)， 第

i只公雞的適應度為

fi ，隨機選取公雞

s 的適應度為

fs ， 分母中加上無窮小數(shù)

ε ，避免除數(shù)為零。1.2.2 母雞的位置更新策略母雞跟隨伙伴公雞搜索食物，位置更新受伙伴公雞位置影響。由于母雞的偷食行為，位置更新又與其它公雞和母雞有關系，則更新策略見式(3)-(5) 。xi,j=xi,j+k1?Rand?(xr1?xi,j)+k2?Rand?(xr2,j?xi,j)t+1ttttt(3)k1=efi?fr1∣fi+ε∣(4)k2=ef2?fir(5)式 (3)-(5) 中： Rand 是一個服從 [0,1] 均勻分布的隨機數(shù)，該母雞的伙伴公雞

r1 的適應度值為

fr1 ，

k1表示其伙伴公雞對其的影響因子，其他公雞和母雞中隨機選取個體

r2 的適應度值為

fr2 ，

k2 為其他雞對其的影響因子。2.2.3 小雞的位置更新策略小雞在其母親周圍搜尋食物，它的搜索能力最差，位置受到母親公雞的影響，則更新策略見式 (6) 。xi,j=xi,j+P(xm,j?xi,j)t+1ttt(6)式 (6) 中：母親母雞m位置的第j維數(shù)值為

xm ，

j ，母親母雞的位置對小雞位置的影響因子為P ， 其為隨機函數(shù)隨機生成，取值范圍一般為 (0,2) 。2.算法流程步驟如下：1. 初始化參數(shù)。 初始配置算法參數(shù)，主要是雞群的大小、迭代的次數(shù)、種群關系的更新頻率、個體位置的維度、公雞母雞小雞在雞群中的比例等。2. 初始化雞群。 雞群按適應度值排序分級，公雞為前

RN 個個體，小雞為最末

CN 個個體，其余均為母雞。將雞群按公雞數(shù)分成

RN個組，母雞隨機分配到個組中，確定公雞和母雞的伙伴關系。 隨機選取

MN個母雞，隨機統(tǒng)領小雞，確定母雞小雞的母子關系。3. 迭代開始，先判斷是否需要更新分組，是否需要更新雞群中的關系，需要則更新雞群分組和雞群中的關系；否則，公雞、母雞和小雞的位置分別按照各自的位置更新策略， 對各自位置逐個進行更新，同時計算更新位置的適應度值。4. 個體位置更新。 新位置的適應度值與原位置適應度值相比，如果新的位置的適應度值小就更新個體位置，否則就保持原來的位置不變。5. 達到最大迭代次數(shù)后停止迭代，并輸出最優(yōu)解，否則回到第 3 步，循環(huán)迭代進行搜索。3.算法結果4.參考文獻[1] MENG X ， LIU Y ， GAO X Z ， et al. A new bio-inspired algorithm: chicken swarm optimization[J]. Lecture Notes inComputer Science ,2014 ,8794(1):86-94.[2] 胡漢梅,李靜雅,黃景光.基于雞群算法的微網(wǎng)經(jīng)濟運行優(yōu)化[J].高壓電器,2017,53(01):代碼雞群優(yōu)化算法改進算法matlab代碼名稱基于模擬退火的改進雞群優(yōu)化算法說明或者參考文獻(SAICSO)名稱一種改進的雞群算法(ICSO)[1]李振璧,王康,姜媛媛.基于模擬退火的改進雞群優(yōu)化算法[J].微電子學與計算機,2017,34(02):30-33+38.說明或者參考文獻[1]孔飛,吳定會.一種改進的雞群算法[J].江南大學學報(自然科學版),2015,14(06):681-688.[1]韓斐斐,趙齊輝,杜兆宏,劉升.全局優(yōu)化的改進雞群算法[J].計算機應用研究,2019,36(08):2317-2319+2327.全局優(yōu)化的改進雞群算法（ECSO)算法相關應用名稱雞群優(yōu)化的BP神經(jīng)網(wǎng)絡（預測）雞群優(yōu)化的BP神經(jīng)網(wǎng)絡（分類）基于雞群優(yōu)化的最大熵多閾值分割雞群算法優(yōu)化的otsu多閾值分割雞群優(yōu)化的PID參數(shù)優(yōu)化說明或者參考文獻/u011835903/article/details/112149776（原理一樣，只是優(yōu)化算法用雞群算法）/u011835903/article/details/112149394（原理一樣，只是優(yōu)化算法用雞群算法）/u011835903/article/details/108203775（原理一樣，只是優(yōu)化算法用雞群算法）/u011835903/article/details/108019744（原理一樣，只是優(yōu)化算法用雞群算法）/u011835903/article/details/109306387（原理一樣，只是優(yōu)化算法用雞群算法）

-