【智能算法】蝴蝶优化算法（BOA)原理及实现

---

1.背景

2019年，Arora等人受到蝴蝶捕食自然行为影响，提出了蝴蝶优化算法(Butterfly optimization algorithm，BOA)。

2.算法原理

2.1算法思想

蝴蝶会释放一定的气味浓度（跟适应度函数有关），气味浓度会吸引蝴蝶飞行。当蝴蝶从一个位置移动到另一个位置时其适应度将相应地变化。

2.2算法过程

群体位置初始化:
$$x=lb+rand\ast (ub-lb)$$
其中，$ub,lb$分别代表蝴蝶上下位置边界。
气味浓度：
$$f=c{I}^a$$
其中，$f,c,I,a$分别表示蝴蝶气味强度，感知因子，刺激强度（适应度）和控制常数。论文对这里的解释是：自然界中的昆虫随着刺激度增强，敏感度会变得越低，因此$a=0.1$对$I$进行压缩。另一方面，根据$Stevens$幂律，为了区分气味间的区别，用感知因子$c$表述。
探索阶段：
$$\{\begin{array}{l}{x_i}^{t+1}={x_i}^t+\left(r^2\times g^{\ast }-{x_i}^t\right)\times f_i,rand<p\\ {x_i}^{t+1}={x_i}^t+\left(r^2\times {x_j}^t-{x_k}^t\right)\times f_i,otherwise\end{array}$$
这里采用采用的全局搜索和局部搜索机制，这里用控制参数$p$控制。其中，$g^{\ast }$表示目前最优蝴蝶位置。
伪代码：

3.代码实现

% 蝴蝶算法
function [fmin,best_pos,Convergence_curve, History_pos, History_best]=BOA(n,N_iter,Lb,Ub,dim,fobj)
%input
%n 种群数量
%dim 问题维数
%Lb 变量上边界最大值
%Ub 变量下边界最小值
%fobj 适应度函数
%N_iter 最大迭代次数
%output
%best_pos 最优位置
%fmin 最优适应度值
%Convergence_curve 每代最优适应度值
%History_pos 每代种群位置
%History_best 每代最优个体
%% 控制参数
p=0.8;
power_exponent=0.1;
sensory_modality=0.01;
%% 初始化种群
Sol = zeros(n, dim);
for i = 1:dim
    Sol(:,i) = rand(n, 1) * (Ub(i) - Lb(i)) + Lb(i);
end
%% 计算适应度
for i=1:n
    Fitness(i)=fobj(Sol(i,:));
end
%% 记录
[fmin,I]=min(Fitness);
best_pos=Sol(I,:);
S=Sol; 
%% 迭代
for t=1:N_iter
        for i=1:n 
          Fnew=fobj(S(i,:));
          FP=(sensory_modality*(Fnew^power_exponent));
          % 全局搜索
          if rand<p    
            dis = rand * rand * best_pos - Sol(i,:);
            S(i,:)=Sol(i,:)+dis*FP;
           else
              % 局部搜索
              epsilon=rand;
              JK=randperm(n);
              dis=epsilon*epsilon*Sol(JK(1),:)-Sol(JK(2),:);
              S(i,:)=Sol(i,:)+dis*FP;                        
          end
           
            % 边界处理
            S(i,:)=simplebounds(S(i,:),Lb,Ub);
            Fnew=fobj(S(i,:)); 
            
            if (Fnew<=Fitness(i))
                Sol(i,:)=S(i,:);
                Fitness(i)=Fnew;
            end
           
           if Fnew<=fmin
                best_pos=S(i,:);
                fmin=Fnew;
           end
         end
            
         Convergence_curve(t,1)=fmin;
         History_pos{t} = Sol;
         History_best{t} = best_pos;
         
         sensory_modality=sensory_modality_NEW(sensory_modality, N_iter);
end
end
%% 
function s=simplebounds(s,Lb,Ub)
  m = length(s);
  for i = 1:m
      if s(i) > Ub(i)
          s(i) = Ub(i);
      end
      if s(i) < Lb(i)
          s(i) = Lb(i);
      end
  end
end
%% 
function y=sensory_modality_NEW(x,Ngen)
    y=x+(0.025/(x*Ngen));
end

优化问题
以CEC2005测试函数为例

clear,clc,close all
x=-10:0.1:10;
y = x;
L = length(x);
for i = 1:L
    for j = 1:L
        f(i,j) = fun([x(i) y(j)]);
    end
end
surfc(x, y, f, 'LineStyle', 'none', 'FaceAlpha',0.5);

% 设定种群参数
pop = 50;
dim = 2;
ub = [10, 10];
lb = [-10, -10];
maxIter = 100;
fobj = @(x) fun(x);

% 求解
[Best_fitness, Best_pos, Iter_curve, History_pos, History_best] = BOA(pop, maxIter, lb, ub, dim, fobj);

4.参考文献

【1】Arora S, Singh S. Butterfly optimization algorithm: a novel approach for global optimization[J]. Soft Computing, 2019, 23: 715-734.