【智能算法】斑鬣狗优化算法（SHO)原理及实现

---

1.背景

2017年，Dhiman等人受到斑鬣狗自然狩猎行为启发，提出了斑鬣狗优化算法(Spotted Hyena Optimizer, SHO)。

2.算法原理

2.1算法思想

SHO将斑鬣狗狩猎行为分为围捕-狩猎-进攻三阶段。

2.2算法过程

围捕：

其中，$D_h$定义了猎物和被发现的鬣狗之间的距离，$x$表示当前迭代次数，B和E是系数向量，Pp表示猎物的位置向量，P表示被发现的鬣狗的位置向量。
狩猎：

其中，Ph定义了被发现的鬣狗的最佳位置，Pk表示其他鬣狗，k表示鬣狗的位置，N表示被发现的鬣狗的数量。

进攻：
进攻阶段对猎物进行攻击的通过减小向量h的值来实现，向量E的变化也会导致向量h的值发生变化。

伪代码：
代码传送门

3.代码实现

公众号：小O的算法实验室，免费获取

4.参考文献

[1] Dhiman G, Kaur A. Spotted hyena optimizer for solving engineering design problems[C]//2017 international conference on machine learning and data science (MLDS). IEEE, 2017: 114-119.