大家好，又见面了，我是你们的朋友全栈君。
2019智能优化算法:海鸥优化算法-附代码
文章目录
摘要：本文简单介绍智能优化算法-海鸥优化算法[1][2]
1.原理
海鸥是遍布全球的海鸟，海鸥种类繁多且大小和身长各不相同。 海鸥是杂食动物，吃昆虫、鱼、爬行动物、两栖动物和蚯蚓等。 大多数海鸥的身体覆盖着白色的羽毛，经常用面包屑来吸引鱼群， 用脚发出雨水落下的声音来吸引藏在地下的蚯蚓。海鸥可以喝淡水和盐水，通过眼睛上方的一对特殊腺体，将盐从它们的体内排出。 海鸥以群居式生活，利用智慧来寻找和攻击猎物。 海鸥最重要特征是迁徙和攻击行为，迁徙是动物从一个地方到另一个地方根据季节更替而移动，寻找最丰富的食物来源以便获取足够能量。在迁移期间，动物成群结队地出行。迁徙时每只海鸥的所在位置不同，以避免相互碰撞。 在一个群体中，海鸥可以朝着最佳位置的方向前进，改变自身所在的位置。海鸥经常会攻击候鸟，在进攻时海鸥群体做出螺旋形的运动形态（如图1）。
图1.海鸥迁徙和攻击方式示意图
2.SOA算法
1.迁徙 ( 全局搜索 )
在迁移过程中， 算法模拟海鸥群如何从一个位置移动到另一个位置。 在这个阶段，海鸥应该满足三个条件：避免碰撞：为了避免与邻居 ( 其他海鸥 ) 碰撞，算法采用附加变量 A 计算海鸥的新位置。
C s ( t ) = A ∗ P s ( t ) C_{s}(t) = A*P_{s}(t) Cs(t)=A∗Ps(t)
C s ( t ) C_{s}(t) Cs(t)表示不与其他海鸥存在位置冲突的新位置， P s ( t ) P_{s}(t) Ps(t)海鸥当前位置， t 表示当前迭代， A 表示海鸥在给定搜索空间中的运动行为。
A = f c − ( t ∗ ( f c / M a x i t e r a t i o n ) ) A = f_{c}-(t*(f_{c}/Max_{iteration})) A=fc−(t∗(fc/Maxiteration))
f c f_{c} fc可以控制变量 A 的频率，它的值从 2 线性降低到 0 。
最佳位置方向：在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动。
M s ( t ) = B ∗ ( P b s ( t ) − P s ( t ) ) M_{s}(t)=B*(P_{bs}(t)-P_{s}(t)) Ms(t)=B∗(Pbs(t)−Ps(t))
M s ( t ) M_{s}(t) Ms(t)表示最佳位置所在的方向， B 是负责平衡全局和局部
搜索的随机数。
B = 2 ∗ A 2 ∗ r d B=2*A^{2}*r_{d} B=2∗A2∗rd
r d r_{d} rd是 [0 ， 1] 范围内的随机数。
靠近最佳位置 : 海鸥移动到不与其他海鸥相撞的位置后，就
向着最佳位置的所在方向进行移动，到达新的位置。
D s ( t ) = ∣ C s ( t ) + M s ( t ) ∣ D_{s}(t)=|C_{s}(t)+M_{s}(t)| Ds(t)=∣Cs(t)+Ms(t)∣
D s ( t ) D_{s}(t) Ds(t)是海鸥的新位置。
2.攻击 ( 局部搜索 ）
海鸥在迁徙过程中可以不断改变攻击角度和速度， 它们用翅膀和重量保持高度。当攻击猎物时，它们就在空中进行螺旋形状运动。 x 、 y 和 z 平面中的运动行为描述如下：
x = r ∗ c o s ( θ ) y = r ∗ s i n ( θ ) z = r ∗ θ r = u ∗ e θ v x=r*cos(\theta)\\ y=r*sin(\theta)\\ z=r*\theta\\ r=u*e^{\theta v} x=r∗cos(θ)y=r∗sin(θ)z=r∗θr=u∗eθv
其中 r 是每个螺旋的半径， θ 是 [0 ， 2π] 范围内的随机角度
值。u 和 v 是螺旋形状的相关常数， e 是自然对数的底数。海鸥的
攻击位置前面的式子可得：
P s ( t ) = D s ( t ) ∗ x ∗ y ∗ z + P b s ( t ) P_{s}(t)=D_{s}(t)*x*y*z+P_{bs}(t) Ps(t)=Ds(t)∗x∗y∗z+Pbs(t)
P s ( t ) P_{s}(t) Ps(t)是海鸥的攻击位置。
3.算法伪代码：
1.主程序框架
（ 1 ） 海鸥种群 P s P_{s} Ps 初始化，参数 A A A 、 B B B 和 M A X i t e r a t i o n MAX_{iteration} MAXiteration。
（ 2 ） 设置相应参数： f c f_{c} fc = 2, u = 1 u=1 u=1, v = 1 v=1 v=1。
（ 3 ） W h i l e ( t < 最 大 迭 代 次 数 ) While(t < 最大迭代次数) While(t<最大迭代次数)
（ 4 ） { 计算适应值 ( P s P_{s} Ps ) /* 使用计算适应度函数计算每只海鸥的适应度值 */
（ 5 ） r d r_{d} rd 取随机值 (0 ， 1)
（ 6 ） θ \theta θ 取随机值 (0 ， 2π)
（ 7 ） r = u ∗ e θ v r=u*e^{\theta v} r=u∗eθv
（ 8 ）计算 D s D_{s} Ds
（ 9 ）计算海鸥新位置 P s P_{s} Ps
（ 10 ）更新最佳海鸥位置和适应值, t = t + 1 t=t+1 t=t+1;
（ 11 ） }
（ 12 ）输出最佳海鸥位置和适应值，结束程序
2.计算适应值 (P s ) 过程
（ 1 ） for i=1 to n
（ 2 ） {
（ 3 ）计算每只海鸥适应值
（ 4 ） }
（ 5 ）更新最佳海鸥位置和适应值
（ 6 ）输出最佳海鸥适应值
（ 7 ）结束
3.更新最佳海鸥位置和适应值过程
（ 1 ） for i=1 to n
（ 2 ） {
（ 3 ）如果海鸥 (i) 的适应值小于 Best 值
（ 4 ） { 用海鸥 (i) 的适应值替代 Best 值
（ 5 ）用海鸥 (i) 的位置替代 Best 的位置
（ 6 ） }
（ 7 ） }
（ 8 ）输出 Best 值和位置
（ 9 ）结束程序
3.运行结果图：
4.参考文献：
[1]韩毅,徐梓斌,张亮,邓丽丽.国外新型智能优化算法——海鸥优化算法[J].现代营销(经营版),2019(10):70-71.
[2]Gaurav Dhiman,Vijay Kumar. Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems[J]. Knowledge-Based Systems,2018.
5.Matlab
海鸥优化算法
改进算法matlab代码
| 名称 | 说明或者参考文献 |
|---|---|
| 融合黄金正弦与sigmoid连续化的海鸥优化算法(GSCSOA) | [1]王宁,何庆.融合黄金正弦与sigmoid连续化的海鸥优化算法[J/OL].计算机应用研究:1-8[2021-08-06].https://doi.org/10.19734/j.issn.1001-3695.2021.05.0176. |
| 一种基于非线性惯性权重的海鸥优化算法(ISOA) | [1]秦维娜,张达敏,尹德鑫,蔡朋宸.一种基于非线性惯性权重的海鸥优化算法[J/OL].小型微型计算机系统:1-8[2021-05-06].http://kns.cnki.net/kcms/detail/21.1106.TP.20210330.1445.028.html. |
| 融合改进 Logistics 混沌和正弦余弦算子的自适应 t 分布海鸥算法(ISOA) | [1]毛清华,王迎港.融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法[J/OL].小型微型计算机系统:1-9[2021-11-16].http://kns.cnki.net/kcms/detail/21.1106.TP.20211019.1549.006.html. |
| 具有记忆功能的海鸥优化算法(MSOA) | [1]许乐,莫愿斌,卢彦越.具有记忆功能的海鸥优化算法求解方程组[J].计算机工程与设计,2021,42(12):3428-3437.DOI:10.16208/j.issn1000-7024.2021.12.018. |
| 多方向螺旋搜索的混沌海鸥优化算法(MESOA) | [1]张冰洁,何庆,戴松利,杜逆索.多方向螺旋搜索的混沌海鸥优化算法[J/OL].小型微型计算机系统:1-10[2022-01-18].http://kns.cnki.net/kcms/detail/21.1106.TP.20211213.1750.028.html. |
算法相关应用matlab代码
| 名称 | 说明或者参考文献 |
|---|---|
| 海鸥优化的BP神经网络（预测） | https://blog.csdn.net/u011835903/article/details/112149776（原理一样，只是优化算法是海鸥） |
| 海鸥优化的BP神经网络（分类） | https://blog.csdn.net/u011835903/article/details/112149394（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的极限学习机(ELM)回归预测 | https://blog.csdn.net/u011835903/article/details/111073635（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的SVM数据分类 | https://blog.csdn.net/u011835903/article/details/110523352（原理一样，只是优化算法是海鸥） |
| 基于海鸥优化的最大熵多阈值分割 | https://blog.csdn.net/u011835903/article/details/108203775（原理一样，只是优化算法是海鸥） |
| 海鸥算法优化的otsu多阈值分割 | https://blog.csdn.net/u011835903/article/details/108019744 （原理一样，只是优化算法是海鸥） |
| 海鸥优化的PID参数优化 | https://blog.csdn.net/u011835903/article/details/109306387 （原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化概率神经网络PNN的分类预测 | https://blog.csdn.net/u011835903/article/details/111496232（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的Elman神经网络数据预测 | https://blog.csdn.net/u011835903/article/details/111411127（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的极限学习机(ELM)分类算法 | https://blog.csdn.net/u011835903/article/details/111177850（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的极限学习机(ELM)回归预测 | https://blog.csdn.net/u011835903/article/details/111073635（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法改进的随机森林回归预测算法（SOA-RF） | https://blog.csdn.net/u011835903/article/details/121860633（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法改进的随机森林分类算法（SOA-RF） | https://blog.csdn.net/u011835903/article/details/121860734（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的核极限学习机(KELM)分类算法 | https://blog.csdn.net/u011835903/article/details/116851164（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的核极限学习机(KELM)回归预测 | https://blog.csdn.net/u011835903/article/details/116849032（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的PID神经网络解耦控制算法 | https://blog.csdn.net/u011835903/article/details/110437852（原理一样，只是优化算法是海鸥） |
| 海鸥算法改进的深度极限学习机DELM的预测（SOA-DELM） | https://blog.csdn.net/u011835903/article/details/123115147（原理一样，只是优化算法是海鸥） |
| 海鸥算法改进的深度极限学习机DELM的分类（SOA-DELM） | https://blog.csdn.net/u011835903/article/details/123091238（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的K-means图像分割算法 | https://blog.csdn.net/u011835903/article/details/109404281（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的Renyi熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108276355（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的指数熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108263933（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的灰度熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108243596（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的对称交叉熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108241032（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的最小交叉熵图像多阈值分割 | https://blog.csdn.net/u011835903/article/details/108240562（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法优化的二维最大熵图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108214713（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的二维Otsu图像阈值分割 | https://blog.csdn.net/u011835903/article/details/108023193（原理一样，只是优化算法是海鸥） |
| 海鸥算法优化脉冲耦合神经网络的图像自动分割 | https://blog.csdn.net/u011835903/article/details/112909060（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的工程优化案例(3种) | https://blog.csdn.net/u011835903/article/details/114106139（原理一样，只是优化算法是海鸥） |
6. Python代码
改进算法python代码
| 名称 | 说明或者参考文献 |
|---|---|
| 一种基于非线性惯性权重的海鸥优化算法(ISOA) | [1]秦维娜,张达敏,尹德鑫,蔡朋宸.一种基于非线性惯性权重的海鸥优化算法[J/OL].小型微型计算机系统:1-8[2021-05-06].http://kns.cnki.net/kcms/detail/21.1106.TP.20210330.1445.028.html. |
算法相关应用python代码
| 名称 | 说明或者参考文献 |
|---|---|
| 基于海鸥算法的SVM分类（SOA-SVM） | https://blog.csdn.net/u011835903/article/details/110523352（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的SVM回归预测（SOA-SVM） | https://blog.csdn.net/u011835903/article/details/110630270（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的极限学习机(ELM)分类算法（SOA-ELM） | https://blog.csdn.net/u011835903/article/details/111177850（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的极限学习机(ELM)回归预测算法（SOA-ELM） | https://blog.csdn.net/u011835903/article/details/111073635（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法的无线传感器网(WSN)覆盖优化（SSA-WSN） | https://blog.csdn.net/u011835903/article/details/109262039https://blog.csdn.net/u011835903/article/details/111073635（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法改进的随机森林回归预测算法（SOA-RF） | https://blog.csdn.net/u011835903/article/details/121860633（原理一样，只是优化算法是海鸥） |
| 基于海鸥算法改进的随机森林分类算法（SOA-RF） | https://blog.csdn.net/u011835903/article/details/121860734（原理一样，只是优化算法是海鸥） |
| 个人资料介绍 |
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/142374.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
