EBKA：一种改进的黑翅鸢优化算法及其在CEC2005测试函数上的应用研究_bka黑翅

        在2024年，一种新型的优化算法——黑翅鸢优化算法（Black Kite Optimization, BKA）被提出，并迅速在学术界引起了广泛关注。作为一种新兴的优化算法，BKA在多个领域展现出了其独特的优势。然而，任何算法都有其局限性，为了进一步提升BKA的性能，本文提出了一种改进的黑翅鸢优化算法（Enhanced Black Kite Algorithm, EBKA），并将其应用于CEC2005测试函数集上进行性能验证。

引言

        随着优化算法在工程、科学和商业决策等领域的广泛应用，算法的改进和创新成为了研究的热点。BKA算法以其独特的搜索机制和优异的优化性能，为优化算法的研究提供了新的思路。本文旨在通过改进BKA算法，探索其在复杂优化问题上的应用潜力，并为后续的研究提供参考。

改进策略

EBKA算法的改进亮点主要体现在以下几个方面：

1. 没有采用混沌映射等策略初始化种群：EBKA在初始化阶段避免了复杂的映射和透镜学习策略，这不仅简化了算法的实现，也为算法的快速部署和应用提供了便利。

2. 没有采用Levy飞行等策略：EBKA没有采用Levy飞行或T分布变异等常见策略，这使得算法更加简洁，同时保持了良好的搜索性能。

3. 易于二次开发：基于EBKA的简洁性，研究人员可以更容易地将其他策略融入其中，从而开发出具有个性化特点的新算法（透镜学习、LEVY飞行等策略可有效提高性能，但本改进没有采用）。

4. 有效的改进点：EBKA的改进并非随意策略的叠加，而是从其他成功算法中汲取灵感，经过精心设计的两处改进点，这些改进在测试函数上的效果显著优于原算法。

实验设置与评价指标

为了全面评估EBKA的性能，我们设置了以下实验条件：

• 最大迭代次数：500次
• 初始种群数量：30个
• 独立运行次数：30次

评价指标包括：

• 最优值
• 最差值
• 平均值
• 标准差

对比算法

为了验证EBKA的性能，我们选择了以下算法进行对比：

• 灰狼优化算法（Grey Wolf Optimizer, GWO）
• 霜冰优化算法（Rime Ice Optimization, RIME）
• 鲸鱼优化算法（Whale Optimization Algorithm, WOA）
• 原始黑翅鸢优化算法（Black Kite Algorithm, BKA）
• 粒子群优化算法（Particle Swarm Optimization, PSO）

实验结果

        通过在CEC2005测试函数集上的实验，EBKA算法在单峰、多峰和固定多峰函数上均展现出了优于原BKA算法的性能。特别是在一些测试函数上，即使EBKA未能达到最优解，其结果也显著优于BKA算法。

结论

        EBKA算法以其简化的初始化过程、去除复杂策略后的简洁性、易于二次开发的特点，以及从其他算法中得到的灵感进行的有效改进，证明了其在优化算法领域的潜力。本文的研究不仅为BKA算法的改进提供了新的思路，也为智能优化算法的研究和应用提供了有价值的参考。

EBKA改进黑翅鸢优化算法（BKA算法是2024年提出的较新算法，SCI一区）EBKA改进黑翅鸢优化算法（BKA算法是2024年提出的较新算法，SCI一区）本文提出一种改进方法对其改进，并在CEC2005测试函数上进行效果验证。该算法在单峰、多峰和固定多峰上均优于原算法（BKA），对1区提出来的算法进行研究，有助于自己发paper。对比算法：GWO、RIMhttps://mbd.pub/o/bread/mbd-ZZ2bmZZu