【智能算法】黑猩猩优化算法（ChOA）原理及实现

---

1.背景

2020年， Khishe等人受到黑猩猩狩猎行为启发，提出了黑猩猩优化算法（Chimp Optimization Algorithm, ChOA）。

2.算法原理

2.1算法思想

ChOA来源于黑猩猩种群的捕猎行为，主要基于黑猩猩捕猎过程的两个主要阶段：探索阶段和开发阶段。探索阶段，黑猩猩通过驱动、阻挡和追逐猎物来寻找潜在目标。开发阶段，黑猩猩进行实际的攻击行为。ChOA假设最佳解决方案、驱赶者、阻碍者和追赶者能够发现潜在猎物的位置，其他黑猩猩则根据最佳黑猩猩的位置来更新自己的位置，以实现优化目标的探索和开发。

2.2算法过程

驱赶与追逐猎物：
$$\begin{gathered} d(t)=|c{X}_P(t)-m{X}_C(t)| \\ {X}_C(t+1)=X_P(t)-a\cdot d\text{\hspace{1em}(1)} \end{gathered}$$
式中, d(t) 为猎物与黑猩猩之间的距离, t 为当前迭代次数, a、c 为系数向量, m 是由混沌映射产生的混沌向量, XP 为猎物的位置向量, XC 为黑猩猩的位置向量。参数a,c表述为：
$$\begin{array}{rl}a& =2\cdot f\cdot r_1-f\\ c& =2\cdot r_2\end{array}\text{\hspace{1em}(2)}$$
式中, f 为线性衰减因子, 随着迭代次数的增加 f 值由 2.5 线性衰减到 0, r1 和 r2 是取值为 [0, 1] 的随机数。参数 a 为 [−2f, 2f] 之间的随机变量, 假设 a 的值为 [−1, 1] 时猎物停止移动, 此时黑猩猩必须攻击猎物结束捕猎, 因此采取降低 f 值的方式迫使黑猩猩结束捕猎, 黑猩猩的下一个位置可以在当前位置与猎物位置之间的任意位置。
攻击：
$$\begin{array}{c}\{\begin{array}{l}{d}_A=|c_1{X}_A-m_{1}X|\\ d_B=|c_2{X}_B-m_{2}X|\\ d_C=|c_3{X}_C-m_{3}X|\\ d_D=|c_4{X}_D-m_{4}X|\end{array}\\ \{\begin{array}{l}{X}_1=X_A-a_1\cdot d_A\\ X_2=X_B-a_2\cdot d_B\\ X_3=X_C-a_3\cdot d_C\\ X_4=X_D-a_4\cdot d_D\end{array}\\ \begin{array}{r}X(t+1)=(X_1+X_2+X_3+X_4)/4\end{array}\end{array}\text{\hspace{1em}(3)}$$
黑猩猩个体最终的位置是随机分布在一个由攻击者、阻碍者、追逐者和驱赶者黑猩猩的位置所确定的圆圈中。换句话说, 猎物的位置是由四个最好的个体来估计的, 而其他黑猩猩则随机更新它们在附近的位置。
伪代码：

3.结果展示

4.参考文献

[1] Khishe M, Mosavi M R. Chimp optimization algorithm[J]. Expert systems with applications, 2020, 149: 113338.