1.背景
2022年，Zhao等人受到海马自然社会行为启发，提出了海马优化算法（Sea-horse Optimizer, SHO）。
2.算法原理
2.1算法思想
SHO模拟了海马群在自然界中的运动、捕食和繁殖行为。
2.2算法过程
海马探索阶段主要负责全局探索，海马个体通过正态分布 r1 选择运动模式（莱维飞行，布朗随机游走）进行位置更新，表述为：
X
n
e
w
1
(
t
+
1
)
=
{
X
i
(
t
)
+
L
e
v
y
(
λ
)
(
(
X
e
l
i
t
e
(
t
)
−
X
i
(
t
)
)
×
x
×
y
×
z
+
X
e
l
i
t
e
)
r
1
>
0
X
i
(
t
)
+
r
a
n
d
∗
l
∗
β
t
∗
(
X
i
(
t
)
−
β
t
∗
X
e
l
i
t
e
)
r
1
≤
0
(1)
\left.X_{new}^{1}(t+1)=\left\{\begin{array}{ll}X_{i}(t)+Levy(\lambda)((X_{elite}\left(t\right)-X_{i}\left(t\right))\times x\times y\times z+X_{elite})&r_{1}>0\\\\X_{i}\left(t\right)+rand^{*}l^{*}\beta_{t}{}^{*}\left(X_{i}\left(t\right)-\beta_{t}{}^{*}X_{elite}\right)&r_{1}\leq0\end{array}\right.\right.\tag{1}
Xnew1(t+1)=⎩
⎨
⎧Xi(t)+Levy(λ)((Xelite(t)−Xi(t))×x×y×z+Xelite)Xi(t)+rand∗l∗βt∗(Xi(t)−βt∗Xelite)r1>0r1≤0(1)
海马捕食阶段主要根据探索阶段选出的最优个体进行局部探索。该阶段采用捕食成功概率来选择不同运动模式，其中捕食成功概率超过 90%。
X
n
e
w
2
(
t
+
1
)
=
{
α
∗
(
X
e
l
i
t
e
−
r
a
n
d
∗
X
n
e
w
1
(
t
)
)
+
(
1
−
α
)
∗
X
e
l
i
t
e
i
f
r
2
>
0.1
(
1
−
α
)
∗
(
X
n
e
w
1
(
t
)
−
r
a
n
d
∗
X
e
l
i
t
e
)
+
α
∗
X
n
e
w
1
(
t
)
i
f
r
2
≤
0.1
(2)
X_{new}^2\left(t+1\right)=\begin{cases}\alpha^*\left(X_{elite}-rand^*X_{new}^1\left(t\right)\right)+(1-\alpha)^*X_{elite}&ifr_2>0.1\\\\(1-\alpha)^*\left(X_{new}^1\left(t\right)-rand^*X_{elite}\right)+\alpha^*X_{new}^1\left(t\right)&ifr_2\leq0.1\end{cases}\tag{2}
Xnew2(t+1)=⎩
⎨
⎧α∗(Xelite−rand∗Xnew1(t))+(1−α)∗Xelite(1−α)∗(Xnew1(t)−rand∗Xelite)+α∗Xnew1(t)ifr2>0.1ifr2≤0.1(2)
海马移动步长a表述为：
α
=
(
1
−
t
T
)
2
t
T
(3)
\alpha=\left(1-\frac tT\right)^{\frac{2t}T}\tag{3}
α=(1−Tt)T2t(3)
海马群繁殖阶段主要进行局部寻优。在该阶段，海马子代会随机继承探索和捕食阶段父母双方的基因，以寻找最优个体。具体位置更新公式为:
X
i
o
f
f
s
p
r
i
n
g
=
r
3
X
i
f
a
t
h
e
r
+
(
1
−
r
3
)
X
i
m
o
t
h
e
r
(4)
X_i^{offspring}=r_3X_i^{father}+(1-r_3)X_i^{mother}\tag{4}
Xioffspring=r3Xifather+(1−r3)Ximother(4)
伪代码：
3.结果展示
4.参考文献
[1] Zhao S, Zhang T, Ma S, et al. Sea-horse optimizer: A novel nature-inspired meta-heuristic for global optimization problems[J]. Applied Intelligence, 2023, 53(10): 11833-11860.
797
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
