【ELM回归预测】探路者优化极限学习机回归预测【含Matlab源码 2231期】

⛄一、探路者算法简介

提出的一种新兴的智能优化算法，该算法的思想起源于群体动物的狩猎行为，种群中的个体分为探路者和跟随者两种角色。算法的寻优过程模拟了种群寻找食物的探索过程，利用探路者、跟随者两种角色不同的位置更新方式以及角色间的交流来实现优化，种群三代间的优良信息在迭代过程中也保留下来，能够快速获得较好的解。在种群更新中，探路者是整个种群位置的先行探索者，比跟随者先移动，探路者的位置更新公式为

基本探路者算法的步骤为

1)初始化系统参数。

2)初始化种群，计算出种群中个体的适应度值，适应度最优的个体成为探路者，其他个体是跟随者。

3)使用公式(4)对探路者位置进行更新。

4)使用公式(5)对跟随者位置进行更新。

5)计算种群中所有个体的适应度值，计算出全局最优解，并重新确定探路者和跟随者。

6)判断是否符合结束条件，符合就输出全局最优解，否则回到步骤3。

探路者算法具有便于理解、算法简单、优化性能良好等优点，探路者算法及其改进算法被已用于多个应用领域。利用混合探路者算法求解有限缓冲区和带能耗阈值约束的绿色流水车间调度问题，获得了良好的改进效果。针对医疗影像处理问题，提出一种基于探路者智能搜索算法，该算法能提高图像识别的效率和准确率。利用改进的探路者算法和样本熵进一步优化集成学习模型ÿ