蜜獾算法（HBA，Honey Badger Algorithm）

发布于：2025-06-05 ⋅ 阅读:(31) ⋅ 点赞:(0)

2021年由Hashim等人提出（论文：Honey Badger Algorithm: A New Metaheuristic Algorithm for Solving Optimization Problems）。模拟蜜獾在自然界中的智能捕食行为，属于群体智能优化算法（与粒子群PSO、遗传算法GA同属一类），适用于连续优化问题。

一 行为模型

蜜獾的两种主要行为驱动算法设计：

（1）挖掘模式：

针对地下猎物：通过嗅觉定位 + 动态挖掘路径。

（2）采蜜模式：

跟随导蜜鸟定位蜂巢 → 直接奔袭蜜源。

二  数学模型与迭代步骤

2.1关键变量定义：

蜜獾位置：候选解向量 $x_i$

猎物强度（I）：

$ I_i = \frac{​{F(x_i) - \min(F)}}{\max(F) - \min(F)} + \epsilon $

$F(x_i)$：个体 $x_i$ 的目标函数值（如适应度）

$F_{\min},F_{\max}$​：当前种群中最小和最大函数值，两者做差可以将I进行归一化处理。

$\epsilon$：极小常数（防止分母为零）

上述公式代标强度的范围最大是1+$\epsilon$，最小是 $\epsilon$。

函数值 $F(x_i)$ 反映解的质量。优化问题中，$F(x_i)$ 越小（化最小问题）表示解越优，更优解代表更接近全局最优解，代表与“猎物”的隐含距离更小，因此隐含距离越小，强度越小，接近程度越大。

个体 函数值 F(x)F(x)F(x) 与最优解距离 计算强度 IiI_iIi​ 强度 vs 距离关系
A（最优） $F_{\min}=5$ 最近 $I_A=\frac{5-5}{20-5}+0.01=0.01$ 强度最小
B $F=15$ 中等 $I_B=\frac{15-5}{20-5}+0.01\approx 0.67$ 强度中等
C（最差） $F_{\max}=20$ 最远 $I_C=\frac{20-5}{20-5}+0.01=1.01$ 强度最大

强度越小越好。

距离大 ⇒ F(xi)差 ⇒ (F(xi)−Fmin⁡) ↑ ⇒ I_{i}↑ ⇒ 算法反馈：加大搜索步长

这种设计以极低计算代价实现了蜜獾“嗅到远距离猎物时采取更大动作”的生物智能模拟。

为什么不用几何距离？

避免高维距离计算、函数值差距能推广到离散/非几何空间，泛用性高、算法运行中已计算 $F(x_i)$，复用数据无需额外开销，效率高。

2.2探索阶段（Exploration）- 气味扩散

基于猎物强度的全局搜索：

$ \vec{x}_{new} = \vec{x}_{prey} + F \cdot \vec{r}_1 \cdot \alpha \cdot I \cdot | \cos(2\pi r_2) \cdot [1 - \cos(2\pi r_3)] | $

$\vec{x}_{prey}$：当前最佳猎物位置

$F$：控制搜索方向（±1随机切换）

$r_1, r_2, r_3$​：随机向量

$\alpha$：密度因子（随迭代递减）

强度I的作用：

I_{i} 大（解质量差、距离远）→ 乘以 I_{i}​ 后步长增大 → 加强全局探索

I_{i} 小（解质量好、距离近）→ 乘以 I_{i} 后步长减小 → 精细局部开发

2.3开发阶段（Exploitation）- 精确捕食

局部挖掘（模拟蜜獾洞穴内捕猎）：

$ \vec{x}_{new} = \vec{x}_{prey} + F \cdot \vec{r}_4 \cdot \mathit{\alpha} \cdot | \vec{x}_{prey} - \vec{x}_{i} | $

$\vec{r}_4$​：随机向量

$| \vec{x}_{prey} - \vec{x}_{i} |$：个体到猎物的距离

通过密度因子 $\alpha$ 动态平衡探索与开发：

$ \alpha = C \cdot \exp\left(-\frac{t}{T_{max}}\right) $

（$C$ 为常数，$t$ 为当前迭代，$T_{max}$​ 为最大迭代）

决策规则：若 $rand < \delta$（$\delta$ 为切换阈值），使用挖掘模式；否则使用采蜜模式。

三 实现方法

3.1过程示例

初始化种群位置 x_i, i=1,2,...,N
计算适应度值 F(x_i)
while t < T_max:
    更新密度因子 α
    计算猎物强度 I_i
    for each 蜜獾个体:
        if rand < δ:
            执行探索阶段（气味扩散）
        else:
            执行开发阶段（挖掘捕食）
        更新当前位置 x_i
        计算新适应度 F(x_i)
    更新全局最优解 x_prey
    t = t + 1
返回最优解 x_prey

3.2参数设置

参数 意义 推荐值
$N$ 种群规模 30~50
$\delta$ 模式切换阈值 0.8
$C$ 密度衰减常数 2.0
$T_{max}$ 最大迭代次数 100~500

3.3优势和局限性

优势 局限性
全局探索能力强（气味机制） 对高维问题敏感
局部开发高效（动态密度因子） 参数需经验调整（如δ）
收敛速度快于传统算法（PSO等） 易陷局部最优的改进变体
代码实现简单

四 应用场景 

工程优化：结构设计、PID控制器调参

人工智能：神经网络超参数优化

能源管理：光伏阵列最大功率点跟踪（MPPT）

研究方向：离散化改进（如HBA-TSP）、多目标版本（MO-HBA）

五 在CEC2017测试函数集上使用HBA的python代码

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocator


class HBA:
    def __init__(self, obj_func, dim=30, pop_size=100, max_iter=1000, lb=-100, ub=100, C=2, delta=0.8):
        """
        蜜獾算法 (Honey Badger Algorithm)

        参数:
        obj_func -- 目标函数
        dim -- 问题维度
        pop_size -- 种群大小
        max_iter -- 最大迭代次数
        lb -- 变量下界
        ub -- 变量上界
        C -- 密度因子常数
        delta -- 模式切换阈值
        """
        self.obj_func = obj_func
        self.dim = dim
        self.pop_size = pop_size
        self.max_iter = max_iter
        self.lb = lb
        self.ub = ub
        self.C = C
        self.delta = delta

        # 初始化种群
        self.positions = np.random.uniform(lb, ub, (pop_size, dim))
        self.fitness = np.zeros(pop_size)
        self.best_position = np.zeros(dim)
        self.best_fitness = np.inf
        self.convergence_curve = np.zeros(max_iter)

    def evaluate(self):
        """评估所有个体适应度"""
        for i in range(self.pop_size):
            self.fitness[i] = self.obj_func(self.positions[i])
            if self.fitness[i] < self.best_fitness:
                self.best_fitness = self.fitness[i]
                self.best_position = self.positions[i].copy()

    def optimize(self):
        """执行优化过程"""
        self.evaluate()  # 初始评估

        for t in range(self.max_iter):
            # 1. 计算猎物强度
            f_min = np.min(self.fitness)
            f_max = np.max(self.fitness)
            I = (self.fitness - f_min) / (f_max - f_min + 1e-25)  # 避免除零
            I = 1 + I  # 确保强度至少为1

            # 2. 更新密度因子
            alpha = self.C * np.exp(-t / self.max_iter)

            # 3. 更新每个个体位置
            for i in range(self.pop_size):
                # 为每个个体生成随机方向因子
                F = 1 if np.random.rand() < 0.5 else -1  # 随机方向（在循环内部重新定义）

                if np.random.rand() < self.delta:  # 挖掘模式(探索)
                    r1, r2, r3 = np.random.rand(3)  # 只需要3个随机数
                    # 气味导向的位置更新
                    new_pos = self.best_position + F * r1 * alpha * I[i] * \
                              np.abs(np.cos(2 * np.pi * r2) * (1 - np.cos(2 * np.pi * r3)))
                else:  # 采蜜模式(开发)
                    r4 = np.random.rand()
                    # 动态挖掘的位置更新
                    new_pos = self.best_position + F * r4 * alpha * np.abs(self.best_position - self.positions[i])

                # 越界处理
                new_pos = np.clip(new_pos, self.lb, self.ub)

                # 计算新位置适应度
                new_fitness = self.obj_func(new_pos)

                # 更新个体位置和适应度
                if new_fitness < self.fitness[i]:
                    self.positions[i] = new_pos
                    self.fitness[i] = new_fitness
                    if new_fitness < self.best_fitness:
                        self.best_position = new_pos.copy()
                        self.best_fitness = new_fitness

            # 记录当前最优解
            self.convergence_curve[t] = self.best_fitness
            print(f"Iteration {t + 1}/{self.max_iter} - Best Fitness: {self.best_fitness:.6e}")

        return self.best_position, self.best_fitness, self.convergence_curve


# ===================== CEC2017测试函数集实现 ========================
def cec17_f1(x):
    """Shifted and Rotated Bent Cigar Function (Function 1)"""
    d = len(x)
    z = x - 100  # Shift to new optimum
    rotated_z = z @ rot_matrix[d] if d in rot_matrix else z  # Rotation
    return rotated_z[0] ** 2 + 1e6 * np.sum(rotated_z[1:] ** 2) + 100


def cec17_f3(x):
    """Shifted and Rotated Rosenbrock's Function (Function 3)"""
    d = len(x)
    z = 0.5 * (x - 40)  # Shift and scale
    rotated_z = z @ rot_matrix[d] if d in rot_matrix else z  # Rotation

    sum_val = 0
    for i in range(d - 1):
        sum_val += 100 * (rotated_z[i] ** 2 - rotated_z[i + 1]) ** 2 + (rotated_z[i] - 1) ** 2
    return sum_val + 300


def cec17_f5(x):
    """Shifted and Rotated Ackley's Function (Function 5)"""
    d = len(x)
    z = x + 50  # Shift to new optimum
    rotated_z = (z @ rot_matrix[d]) if d in rot_matrix else z  # Rotation

    sum1 = np.sum(rotated_z ** 2)
    sum2 = np.sum(np.cos(2 * np.pi * rotated_z))

    return -20 * np.exp(-0.2 * np.sqrt(sum1 / d)) - np.exp(sum2 / d) + 20 + np.e + 500


# ===================== 辅助函数 ========================
def generate_rotation_matrix(dim):
    """生成随机旋转矩阵（模拟CEC2017的旋转特性）"""
    H = np.random.randn(dim, dim)
    Q, R = np.linalg.qr(H)
    return Q


def plot_results(convergence, func_name, dim):
    """绘制收敛曲线"""
    plt.figure(figsize=(10, 6))
    plt.semilogy(convergence, 'b-', linewidth=2)
    plt.title(f'HBA on {func_name} - Dimension {dim}\nFinal Fitness: {convergence[-1]:.4e}', fontsize=12)
    plt.xlabel('Iteration', fontsize=12)
    plt.ylabel('Fitness (log scale)', fontsize=12)
    plt.grid(True, which='both', linestyle='--')
    plt.gca().xaxis.set_major_locator(MaxNLocator(integer=True))
    plt.tight_layout()
    plt.show()


# ===================== 主程序 ========================
if __name__ == "__main__":
    # 实验参数
    dim = 30  # 问题维度
    max_iter = 1000  # 最大迭代次数
    pop_size = 100  # 种群大小

    # 预生成旋转矩阵 (模拟CEC2017特性)
    np.random.seed(42)
    rot_matrix = {
        dim: generate_rotation_matrix(dim)
    }

    # 定义要测试的函数
    test_functions = {
        "CEC2017 F1 (Bent Cigar)": cec17_f1,
        "CEC2017 F3 (Rosenbrock)": cec17_f3,
        "CEC2017 F5 (Ackley)": cec17_f5
    }

    # 对每个测试函数运行HBA
    results = {}

    for name, func in test_functions.items():
        print(f"\n{'=' * 80}")
        print(f"Optimizing Function: {name}")
        print(f"{'=' * 80}")

        # 初始化并运行HBA
        optimizer = HBA(
            obj_func=func,
            dim=dim,
            pop_size=pop_size,
            max_iter=max_iter,
            lb=-100,
            ub=100
        )

        best_sol, best_fit, convergence = optimizer.optimize()
        results[name] = convergence

        # 打印最终结果
        print(f"\n{'*' * 80}")
        print(f"{name} Optimization Result:")
        print(f"Best Solution: {best_sol[:5]}...")  # 只打印前5维
        print(f"Best Fitness: {best_fit:.6e}")
        print(f"Optimal Value Found: {func(best_sol):.6e}")
        print(f"{'*' * 80}\n")

        # 绘制收敛曲线
        plot_results(convergence, name, dim)

    # 比较所有函数的收敛曲线
    plt.figure(figsize=(12, 8))
    for name, conv in results.items():
        plt.semilogy(conv, label=name, linewidth=2)

    plt.title(f'HBA Performance on CEC2017 Functions (Dim={dim})', fontsize=16)
    plt.xlabel('Iteration', fontsize=12)
    plt.ylabel('Fitness (log scale)', fontsize=12)
    plt.legend(fontsize=12)
    plt.grid(True, which='both', linestyle='--')
    plt.tight_layout()
    plt.savefig('hba_cec2017_convergence.png', dpi=300)
    plt.show()

输出值为：

 通过增加迭代次数和种群大小可以更加接近最优解。

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布