【群智能算法】一种改进的北方苍鹰优化算法 改进北方苍鹰算法INGO[1]【Matlab代码#1】

【获取资源请见文章第5节：资源获取】

1. 基础北方苍鹰优化算法

1.1 猎物识别阶段（勘探阶段）

1.2 追击和逃逸阶段（开发阶段）

2. 改进的北方苍鹰优化算法

2.1 立方混沌Cubic映射

2.2 透镜成像反向学习

基于透镜成像的反向学习策略根据缩放因子动态调节反向解的数量，从而优化种群数量并使算法避免局部最优。
透镜成像反向学习得到的反向解为：

其中，m为缩放因子，ad和bd分别为上下限，Xi为正向解或者叫原始解，Xi*为反向解。特殊地，当m=1时为一般的反向学习策略。

2.3 最优最差反向学习策略

（1）对于最优个体，对其进行反向学习，避免算法早熟，从而提高算法的局部寻优能力。反向解如下：

（2）对于最差个体，对其进行随机反向学习，提高其全局搜索能力。随机反向解如下：

3. 部分代码展示

%%立方混沌初始化加反向折射机制的的种群初始化
X=initializationNew(SearchAgents,dimension,upperbound,lowerbound, fitness); 
for i =1:SearchAgents
     Flag4ub=X(i,:)>upperbound;
     Flag4lb=X(i,:)<lowerbound;
     X(i,:)=(X(i,:).*(~(Flag4ub+Flag4lb)))+upperbound.*Flag4ub+lowerbound.*Flag4lb;
     L=X(i,:);
     fit(i)=fitness(L);
end
%%

    %% 改进点：混合反向学习策略
    % 对最优位置，透镜成像反向学习策略
    n=1;
    Temp = (upperbound + lowerbound)./2 + (upperbound + lowerbound)./(2*n) - Xbest./n;
    % 边界越界处理
    Flag4ub=Temp>upperbound;
    Flag4lb=Temp<lowerbound;
    Temp=(Temp.*(~(Flag4ub+Flag4lb)))+upperbound.*Flag4ub+lowerbound.*Flag4lb; 
    fitTemp = fitness(Temp);%计算适应度值
    if(fitTemp<fbest)
        fbest = fitTemp;
        Xbest = Temp;
    end
     % 对最差位置，随机反向学习策略
     [fitWorst,indexWorst] = max(fit(i));
     WorstPosition = X(indexWorst);
     Temp = lowerbound + rand(1,dimension).*(upperbound - WorstPosition);
     Temp=(Temp.*(~(Flag4ub+Flag4lb)))+upperbound.*Flag4ub+lowerbound.*Flag4lb; 
    fitTemp = fitness(Temp);%计算适应度值
    if(fitTemp<fitWorst)
       fit(indexWorst) = fitTemp;
       X(indexWorst,:) = Temp;
    end

4. 结果展示

5. 资源获取

在F1、F2、F3上表现优异，可以获取完整代码资源。

6. 参考文献

付雪，朱良宽，黄建平，王璟瑀，Arystan Ryspayev．基于改进的北方苍鹰算法的多阈值图像分割[J/OL]．计算机工程.