【智能算法】蝗虫优化算法（GOA)原理及实现

---

1.背景

2017年，Saremi 受到蝗虫自然捕食行为启发，提出了蝗虫优化算法(Grasshopper Optimization Algorithm，GOA)。

2.算法原理

2.1算法思想

GOA模拟了蝗虫在自然界中的群体特性和觅食特性，主要分为探索和开发两个阶段。

2.2算法过程

蝗虫位置可以描述为：
$$X_i=S_i+G_i+A_i$$
其中，$S_i,G_i,A_i$分别表示作用力，受到重力，受到风阻力。作用力可以表述为：
$$\begin{gathered} S_i=\sum _{j=1}^{N}s(d_{ij})\widehat{d_{ij}} \\ \widehat{d_{ij}}=\frac{x_j-x_i}{d_{ij}} \end{gathered}$$
社会函数为:
$$s(r)=f{e}^{\frac{-r}{T}}-e^{-r}$$

作者给出了一个示例，当距离小于2.079时，此时蝗虫间为排斥力；当距离等于2.079时，此时为蝗虫舒适区（不采取动作）；当距离大于2.079时，此时蝗虫间为吸引力（随距离增大，先增大后减小，最后趋近于0）。
但是当距离足够大时，作用力趋近于0，这里采取区间映射处理（映射到[1,4])。
重力可以表述为：
$$G_i=-g{\hat{e}}_g$$
风阻力可以表述为：
$$A_i=u\widehat{e_w}$$
通常情况下，当蝗虫群体达到舒适区时，它们仍然没有收敛到一个特定点。为了适应解决优化问题的需求，需要调整全局和局部优化过程，对模型进行修正：
$$X_i^d=c\left(\sum _{j=1}^{N}c\frac{u{b}_d-l{b}_d}{2}s(\left|x_j^d-x_i^d\right|)\frac{x_j-x_i}{d_{ij}}\right)+{\hat{T}}_a$$
其中，$c$为控制因子，表述为：
$$c=cmax-l\frac{cmax-cmin}{L}$$
伪代码：

3.代码实现

% 蝗虫优化算法
function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = GOA(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

flag=0;
if size(ub,1)==1
    ub=ones(dim,1).*ub;
    lb=ones(dim,1).*lb;
end

% 算法需要偶数维
if (rem(dim,2)~=0) 
    dim = dim+1;
    ub(dim)=100;
    lb(dim)=100;
    flag=1;
end

%% 初始化函数
GrassHopperPositions=initialization(pop,dim,ub,lb);
GrassHopperFitness = zeros(1,pop);
Iter_curve=zeros(1,maxIter);
cMax=1;
cMin=0.00004;
%% 计算适应度函数
for i=1:size(GrassHopperPositions,1)
    if flag == 1
        GrassHopperFitness(1,i)=fobj(GrassHopperPositions(i,1:end-1));
    else
        GrassHopperFitness(1,i)=fobj(GrassHopperPositions(i,:));
    end
end
[sorted_fitness,sorted_indexes]=sort(GrassHopperFitness);

for newindex=1:pop
    Sorted_grasshopper(newindex,:)=GrassHopperPositions(sorted_indexes(newindex),:);
end

Best_pos=Sorted_grasshopper(1,:);
Best_fitness=sorted_fitness(1);

%% 迭代
l=2; 
while l<maxIter+1
    
    c=cMax-l*((cMax-cMin)/maxIter); % Eq.(2.8)
    
    for i=1:size(GrassHopperPositions,1)
        temp= GrassHopperPositions';
        for k=1:2:dim
            S_i=zeros(2,1);
            for j=1:pop
                if i~=j
                    Dist=distance(temp(k:k+1,j), temp(k:k+1,i));
                    
                    r_ij_vec=(temp(k:k+1,j)-temp(k:k+1,i))/(Dist+eps); % xj-xi/dij in Eq.(2.7)
                    xj_xi=2+rem(Dist,2); % |xjd - xid| in Eq.(2.7) 
                    
                    s_ij=((ub(k:k+1) - lb(k:k+1))*c/2)*S_func(xj_xi).*r_ij_vec; %Eq. (2.7)
                    S_i=S_i+s_ij;
                end
            end
            S_i_total(k:k+1, :) = S_i;
            
        end
        
        X_new = c * S_i_total'+ (Best_pos); % Eq.(2.7)
        GrassHopperPositions_temp(i,:)=X_new'; 
    end
    
    GrassHopperPositions=GrassHopperPositions_temp;
    
    for i=1:size(GrassHopperPositions,1)
        % 边界检查
        Tp=GrassHopperPositions(i,:)>ub';Tm=GrassHopperPositions(i,:)<lb';GrassHopperPositions(i,:)=(GrassHopperPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;
        
        if flag == 1
            GrassHopperFitness(1,i)=fobj(GrassHopperPositions(i,1:end-1));
        else
            GrassHopperFitness(1,i)=fobj(GrassHopperPositions(i,:));
        end
        
        if GrassHopperFitness(1,i)<Best_fitness
            Best_pos=GrassHopperPositions(i,:);
            Best_fitness=GrassHopperFitness(1,i);
        end
    end
        
    Iter_curve(l)=Best_fitness;
    History_best{l} = Best_pos;
    History_pos{l} = GrassHopperPositions;
    l = l + 1;
end


if (flag==1)
    Best_pos = Best_pos(1:dim-1);
end

end
%%
function d = distance(a,b)
d=sqrt((a(1)-b(1))^2+(a(2)-b(2))^2);
end
%%
function [X]=initialization(N,dim,up,down)

if size(up,1)==1
    X=rand(N,dim).*(up-down)+down;
end
if size(up,1)>1
    for i=1:dim
        high=up(i);low=down(i);
        X(:,i)=rand(1,N).*(high-low)+low;
    end
end
end
%%
function o=S_func(r)
f=0.5;
l=1.5;
o=f*exp(-r/l)-exp(-r);  % Eq. (2.3)
end

4.参考文献

[1] Saremi S, Mirjalili S, Lewis A. Grasshopper optimisation algorithm: theory and application[J]. Advances in engineering software, 2017, 105: 30-47.