当前位置：首页 > news >正文

【智能优化】蝴蝶优化算法(BOA)原理与Python实现

news 2026/5/11 3:06:58

【智能优化】蝴蝶优化算法(BOA)原理与Python实现

日期：2026-05-09 | 分类：智能优化 | 标签：BOA、元启发式、蝴蝶

一、引言

蝴蝶优化算法(Butterfly Optimization Algorithm, BOA)是2019年提出的一种新型元启发式优化算法，由Arora和Singh提出。该算法模拟蝴蝶通过香气寻找配偶和食物的觅食行为，利用全局和局部搜索的切换机制实现优化。BOA在多个优化问题上表现出色，是近年来受到广泛关注的算法之一。

二、算法原理

2.1 蝴蝶觅食行为

蝴蝶的觅食行为包含两种感知模式：

全局搜索：通过感知远处的香味寻找食物或配偶
局部搜索：在近距离内随机移动寻找更好的位置

2.2 数学模型

香味更新公式：
f=cIaf = c I^af=cIa

其中III是刺激强度，aaa是幂指数，ccc是感官模态常数。

全局搜索：
xinew=xi+(r2⋅gbest−xi)⋅fix_i^{new} = x_i + (r^2 \cdot gbest - x_i) \cdot f_ixinew=xi+(r2⋅gbest−xi)⋅fi

局部搜索：
xinew=xi+(r2⋅xj−xk)⋅fix_i^{new} = x_i + (r^2 \cdot x_j - x_k) \cdot f_ixinew=xi+(r2⋅xj−xk)⋅fi

其中rrr是 [0,1] 之间的随机数。

三、Python实现

importnumpyasnpimportmatplotlib.pyplotaspltclassButterflyOptimizationAlgorithm:def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,c=0.01,a=0.1,p=0.6):self.dim=dim self.pop=pop self.max_iter=max_iter self.lb=lb self.ub=ub self.c=c# 感官模态常数self.a=a# 幂指数self.p=p# 切换概率deffragrance(self,fitness,I=1.0):"""计算香味强度"""returnself.c*(I**self.a)*fitnessdefoptimize(self,obj_func):# 初始化蝴蝶位置X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitness=np.array([obj_func(x)forxinX])# 初始香味感知fragrance=self.fragrance(fitness)best_idx=np.argmin(fitness)best_x=X[best_idx].copy()best_f=fitness[best_idx]convergence=[]fortinrange(self.max_iter):# 动态调整刺激强度I=1.0/(1.0+np.exp(-t/self.max_iter))foriinrange(self.pop):# 计算当前香味f_i=self.fragrance(fitness[i],I)r=np.random.random()ifr<self.p:# 全局搜索gbest_f=self.fragrance(best_f,I)X[i]=X[i]+(np.random.random()**2*best_x-X[i])*f_ielse:# 局部搜索idxs=np.random.choice(self.pop,2,replace=False)j,k=idxs f_j=self.fragrance(fitness[j],I)X[i]=X[i]+(np.random.random()**2*X[j]-X[k])*f_i X[i]=np.clip(X[i],self.lb,self.ub)fitness=np.array([obj_func(x)forxinX])best_idx=np.argmin(fitness)iffitness[best_idx]<best_f:best_f=fitness[best_idx]best_x=X[best_idx].copy()convergence.append(best_f)returnbest_x,best_f,convergence

使用示例

defsphere(x):returnnp.sum(x**2)defzakharov(x):returnnp.sum(x**2)+np.sum(0.5*np.arange(1,len(x)+1)*x)**2+np.sum(0.5*np.arange(1,len(x)+1)*x)**4np.random.seed(42)boa=ButterflyOptimizationAlgorithm(dim=30,pop=30,max_iter=500)best_x,best_f,conv=boa.optimize(sphere)print(f"最优适应度:{best_f:.2e}")