【智能算法】黏菌算法（SMA)原理及实现

---

1.背景

2020年，Li等人受到自然界黏菌觅食行为启发，提出了黏菌算法(Slime Mould Algorithm，SMA)。

2.算法原理

2.1算法思想

算法模拟了黏菌在觅食过程中的行为和形态变化，并没有对其完整的生命周期进行建模。同时，算法通过权重来模拟粘菌在觅食过程中产生的正反馈，从而形成三种不同的形态类型。当各种食物源的质量不同时，粘菌可以选择浓度最高的食物源。当粘菌遇到高质量食物时，离开该区域的概率会降低。当食物源的质量很高时，粘菌将采用局部搜索方法，从而将搜索集中在已发现的食物源上。

2.2算法过程

群体位置初始化:
$$x=lb+rand\ast (ub-lb)$$
其中，$ub,lb$分别代表黏菌上下位置边界。
靠近食物：
$$\overrightarrow{X\left(t+1\right)}=\{\begin{array}{l}\overrightarrow{X_b\left(t\right)}+\overrightarrow{vb}\cdot \left(\overrightarrow{W}\cdot \overrightarrow{X_A\left(t\right)}-\overrightarrow{X_B\left(t\right)}\right),r<p\\ \overrightarrow{v\text{c}}\cdot \overrightarrow{X\left(t\right)},r\ge p\end{array}$$
其中，$\overrightarrow{X_A},,\overrightarrow{X_B}$代表分别选择两个随机位置。为了理解这个数学公式，首先来看$p$的表达式：
$$p=\tanh |S\left(i\right)-DF|$$

这里，$S(i),DF$分别代表个体$i$适应度值和当前最优个体适应度。也就是说，当个体$i$适应度值和当前最优个体适应度距离相差较大时，$p$趋近于1。
因此，当$r<p$时，全局搜索；当$r\ge p$时，局部搜索。
$$\begin{gathered} \overrightarrow{vb}=[-a,a] \\ a=\mathrm{arctanh}(-\left(\frac{t}{\max \_t}\right)+1) \end{gathered}$$
这里，规定了局部搜索方向，并且随着迭代次数增强，逐渐减小（以达到收敛）。
$$\overrightarrow{W(Smelllndex(i))}=\{\begin{array}{l}1+r\cdot \log \left(\frac{bF-S\left(i\right)}{bF-wF}+1\right),\text{condition}\\ 1-r\cdot \log \left(\frac{bF-S\left(i\right)}{bF-wF}+1\right),\text{others}\end{array}$$
**包裹食物 **：
黏菌根据食物质量调整其搜索模式：当食物浓度足够时，靠近该区域的权重更大；当食物浓度较低时，该区域的权重将减少，从而转而探索其他区域。
$$\overrightarrow{X^{\ast }}=\{\begin{array}{l}rand\cdot (UB-LB)+LB,rand<z\\ \overrightarrow{X_b\left(t\right)}+\overrightarrow{vb}\cdot \left(W\cdot \overrightarrow{X_A\left(t\right)}-\overrightarrow{X_B\left(t\right)}\right),r<p\\ \overrightarrow{vc}\cdot \overrightarrow{X\left(t\right)},r\ge p\end{array}$$

伪代码：

3.代码实现

% 黏菌算法
function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = SMA(pop, maxIter,lb,ub,dim,fobj)
%input
%pop 种群数量
%dim 问题维数
%ub 变量上边界
%lb 变量下边界
%fobj 适应度函数
%maxIter 最大迭代次数
%output
%Best_pos 最优位置
%Best_fitness 最优适应度值
%Iter_curve 每代最优适应度值
%History_pos 每代种群位置
%History_best 每代最优个体位置
%% 控制参数
z=0.03; % parameter
weight = ones(pop,dim); % fitness weight of each slime mold
%% 初始化种群
X = zeros(pop, dim);
for i = 1:dim
    X(:,i) = lb(i) + (ub(i) - lb(i)) * rand(pop, 1);
end
%% 计算适应度
AllFitness = zeros(1, pop);
for i=1:pop
     AllFitness(i)=fobj(X(i,:));
end
%% 记录
[MinFitness, MinIdx] = sort(AllFitness);
Best_pos = X(MinIdx(1),:);
Best_fitness = MinFitness(1);
%% 迭代
it = 1;
while  it <= maxIter
    for i=1:pop
        % 边界检查
        Flag4ub=X(i,:)>ub;
        Flag4lb=X(i,:)<lb;
        X(i,:)=(X(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        AllFitness(i) = fobj(X(i,:));
    end
    
    [SmellOrder,SmellIndex] = sort(AllFitness);  %Eq.(2.6)
    worstFitness = SmellOrder(pop);
    bestFitness = SmellOrder(1);

    S=bestFitness-worstFitness+eps;  %避免除0

    for i=1:pop
        for j=1:dim
            if i<=(pop/2)  %Eq.(2.5)
                weight(SmellIndex(i),j) = 1+rand()*log10((bestFitness-SmellOrder(i))/(S)+1);
            else
                weight(SmellIndex(i),j) = 1-rand()*log10((bestFitness-SmellOrder(i))/(S)+1);
            end
        end
    end
    
    if bestFitness < Best_fitness
        Best_pos=X(SmellIndex(1),:);
        Best_fitness = bestFitness;
    end
    
    a = atanh(-(it/maxIter)+1);   %Eq.(2.4)
    b = 1-it/maxIter;

    for i=1:pop
        if rand<z     %Eq.(2.7)
            X(i,:) = (ub-lb)*rand+lb;
        else
            p =tanh(abs(AllFitness(i)-Best_fitness));  %Eq.(2.2)
            vb = unifrnd(-a,a,1,dim);  %Eq.(2.3)
            vc = unifrnd(-b,b,1,dim);
            for j=1:dim
                r = rand();
                A = randi([1,pop]);  
                B = randi([1,pop]);
                if r<p    %Eq.(2.1)
                    X(i,j) = Best_pos(j)+ vb(j)*(weight(i,j)*X(A,j)-X(B,j));
                else
                    X(i,j) = vc(j)*X(i,j);
                end
            end
        end
    end
    Iter_curve(it)=Best_fitness;
    History_best{it} = Best_pos;
    History_pos{it} = X;
    it=it+1;
end

end

4.参考文献

[1] Li S, Chen H, Wang M, et al. Slime mould algorithm: A new method for stochastic optimization[J]. Future generation computer systems, 2020, 111: 300-323.