神经种群动态优化算法(NPDOA)-2024年9年SCI一区新算法-公式原理详解 Matlab代码免费获取
声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~
目录
原理简介
一、种群初始化
二、吸引子趋势策略
三、耦合干扰策略
四、信息投射策略
算法流程图和伪代码
测试结果
参考文献
完整代码
神经种群动态优化算法(Neural Population Dynamics Optimization Algorithm, NPDOA)是一种新型的元启发式算法（智能优化算法），灵感来源于脑神经科学的启发过程。该算法创新性较高，发表的期刊等级很高，值得一试！该成果由Junzhong Ji于2024年9月发表在SCI一区Top期刊《Knowledge-Based Systems》上！
由于发表时间较短，谷歌学术上仅被引用1次！你先用，你就是创新！
原理简介
灵感：NPDOA源于理论神经科学中的人口学说。在群体理论中，神经元群体被认为是许多大脑区域的基本计算单位。神经种群在任何时刻都处于神经状态。神经状态位于神经元维神经状态空间内的特定点，它为包含记录的神经种群的神经元生成放电率向量。时间作为连接神经状态的函数，并将神经状态序列转换为神经状态空间内的轨迹。因此，研究人员可以推断神经种群动态，这被认为是神经状态轨迹的来源。
一、种群初始化
像所有的元启发式优化器一样，NPDOA通过模拟具有相同神经元数量的多个神经群体在执行认知活动时的动态来解决优化问题：
二、吸引子趋势策略
神经群体的神经状态在神经状态空间中趋向于多吸引子。因此，该算法将最优神经状态作为吸引子。剩余神经群的神经状态随机收敛到这些吸引子之一。吸引子的个数设置为⌊𝑎⋅𝑛⌋，其中𝑎为神经种群中所有神经状态中吸引子的比例，𝑛为神经种群的个数。
𝑙哪里吸引子的比例因子趋势,𝑟1是一个随机数在[0,1],𝐚𝐭𝐭𝑘th流动的𝑎𝑡𝑡={𝐚𝐭𝐭1,𝐚𝐭𝐭2,…,𝐚𝐭𝐭⌊𝑎⋅𝑛⌋},𝑘是随机值{1,2,…,⌊𝑎⋅𝑛⌋}𝐱𝑖th神经神经状态的人口在𝑃⧵𝑎𝑡𝑡,𝐰𝑖是零均值的高斯噪声向量𝑖th神经状态与协方差𝐔−𝐋,𝐔=(𝑈1𝑈2,…,𝑈𝐷)的峰值是所有神经状态,和𝐋=(𝐿1𝐿2,…𝐿𝐷)是所有神经状态的最小边界。
三、耦合干扰策略
特定神经群的神经状态也会受到其他神经群的神经状态的影响。通常假设神经群之间的相互作用是通过加性或扩散耦合发生的。该算法在神经种群动力学中考虑了这两种耦合的存在。在加性耦合中，神经种群的输入是其他神经种群的神经状态之和的函数。为了简化计算，该算法将其他神经种群的神经状态表示为所有神经状态之和的平均值。所用公式如下：
其中𝑟2为[0,0.5]中的随机数，𝑛为神经种群的个数。
在扩散耦合中，神经种群的输入是其神经状态与其他神经种群神经状态之差之和的函数。所用公式如下：
式中𝑟3为[0,0.5]中的一个随机数，ρ值为𝑖th神经种群的神经状态。
提出的算法使用两个耦合的组合来模拟其他神经群的影响。公式可表示为：
式中𝑑为耦合扰动的比例因子。
四、信息投射策略
神经群体之间的信息交换和交互是通过通信子空间进行的。在该算法中，使用表示邻接度和通信强度的矩阵来表示神经群体之间的信息投影的通信子空间。
在吸引趋势中，一个吸引子与神经种群的另一个神经状态之间的信息传递由1 ×𝐷邻接矩阵𝐂𝑎𝑡𝑡𝑟𝑎𝑐𝑡，和1 ×𝐷通信强度矩阵𝑎𝑡𝑡𝑟𝑎𝑐𝑡，来实现。所用公式如下：
其中，𝐂𝑎𝑡𝑡𝑟𝑎𝑐𝑡，是一个具有二元随机值的1 ×𝐷矩阵，是一个具有随机生成值的1 ×𝐷矩阵，是一个在[0,1]中随机生成值的1 ×𝐷矩阵，是由式(2)中的吸引子趋势策略得到的动态向量。
在耦合扰动中，神经种群之间的信息传递也被另一个1 ×𝐷邻接矩阵𝐂𝑐𝑜𝑢𝑝𝑙𝑒，和1 ×𝐷通信强度矩阵𝑐𝑜𝑢𝑝𝑙𝑒，所利用。此外，在神经状态稳定之前，神经状态中的干扰应该在过程的早期产生更大的影响。因此，耦合扰动的影响逐渐减小。所用公式如下：
其中，𝐂𝑎𝑡𝑡𝑟𝑎𝑐𝑡，是一个具有二元随机值的1 ×𝐷矩阵，是一个在[0,1]中随机生成值的1 ×𝐷矩阵，是由式(5)中的耦合干扰策略得到的动态向量，是[0,1]中的一个随机数，是一个函数评价数，是一个函数评价数，是最大函数评价数。随着迭代过程的进行， 值逐渐增加，而耦合扰动的影响逐渐减小。
最终，每个神经群体的神经状态受到吸引子和其他神经群体神经状态的影响。当前神经种群的神经状态被更新如下：
该算法利用上述策略模拟神经种群之间的信息投影，实现从探索到开发的过渡。
算法流程图和伪代码
为了使大家更好地理解，这边给出作者算法的流程图伪代码，非常清晰！
如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！
测试结果
原文作者采用CEC 2014的30个测试问题、CEC 2017的29个测试问题、CEC 2008的7个测试问题、CEC 2020的10个测试问题和CEC 2022的12个测试问题进行实参数优化。然后将NPDOA的性能与其他九种元启发式算法进行比较。此外，通过三个实际优化问题来评估NPDOA在解决工程问题中的实际适用性。基准和实际问题的结果验证了NPDOA的有效性，文中部分测试结果如下图所示：
参考文献
[1]Ji J, Wu T, Yang C. Neural population dynamics optimization algorithm: A novel brain-inspired meta-heuristic method[J]. Knowledge-Based Systems, 2024, 300: 112194.
完整代码
如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：
NPDOA
也点击下方小卡片，再可后台回复个人需求（比如NPDOA-BP）定制以下NPDOA算法优化模型（看到秒回）：
1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~
2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~
4.路径规划类：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~
5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~
6.原创改进优化算法（适合需要创新的同学）：原创改进2024年的神经种群动态优化算法NPDOA以及班翠鸟PKO、蜣螂DBO等任意优化算法均可，保证测试函数效果！