【智能算法】人工大猩猩部队优化算法（GTO）原理及实现

---

1.背景

2021年，B Abdollahzadeh等人受到大猩猩社会行为启发，提出了人工大猩猩部队优化算法（Artificial Gorilla Troops Optimizer, GTO）。

2.算法原理

2.1算法思想

GTO模拟了大猩猩的种群迁移和求偶行为：

• 探索阶段：种群迁移包括已知位置、未知位置和同伴位置三种
• 开发阶段：求偶行为模拟了雄性大猩猩争夺雌性的行为

2.2算法过程

探索阶段：

GTO算法包括三种探索机制，对应大猩猩的三种迁移位置。当随机数小于概率阈值 p(0.03) 时，大猩猩向未知地点迁移；当随机数小于0.5时，大猩猩向已知地点迁移；当随机数大于或等于0.5时，大猩猩向同伴迁移。
$$\mathrm{GX}(t)=\{\begin{array}{ll}(\mathrm{UB}-\mathrm{LB})\times r_1+\mathrm{LB},& \text{rand}<p\\ (r_2-C)\times X_n(t)+L\times H,& \text{rand}<p\\ X(t)-L\times (L\times (X(t)-{\mathrm{GX}}_n(t))+r_3\times (X(t)-{\mathrm{GX}}_n(t))),& \text{rand}<0.5\end{array}\text{\hspace{1em}(1)}$$
Xr 表示上一代种群中任意大猩猩的最优位置，X 表示上一代大猩猩的最优位置，GX 表示当前大猩猩的位置，GXr表示当前种群中任意大猩猩的位置，t 表示大猩猩个体，参数 C、L、H表述为：
$$\begin{array}{c}C=F\times \left(1-\frac{\mathrm{It}}{\mathrm{Max}\mathrm{It}}\right)\\ L=C\times l\\ H=Z\times X(t)\\ F=\cos (2\times r_4)+1\\ Z\in [-C,C]\end{array}\text{\hspace{1em}(2)}$$

开发阶段：

当 C≥W 时，表示种群跟随银背大猩猩迁移:
$$\begin{array}{rl}\mathrm{GX}(t)& =L\times M\times (X(t)-X_b)+X(t)\\ M& =({{\left|\frac{1}{N}\sum _{i=1}^N{\mathrm{GX}}_i(t)\right|}^g)}^{\frac{1}{g}}\\ g& =2^L\end{array}\text{\hspace{1em}(3)}$$
当 C＜W 时，表示雄性大猩猩求偶行为:
$$\mathrm{GX}(t)=X_b-(X_b\times Q-X(t)\times Q)\times A\text{\hspace{1em}(4)}$$
参数 Q 用来模拟冲击力，参数 A 用来模拟暴力程度:
$$\begin{array}{c}Q=2\times r_5-1\\ A=\beta \times E\\ E=\{\begin{array}{cc}\mathrm{randn}(1,d),& \mathrm{rand}⩾0.5\\ \mathrm{randn}(1,1),& \mathrm{rand}<0.5\end{array}\end{array}\text{\hspace{1em}(5)}$$

伪代码：

3.结果展示

4.参考文献

[1] Abdollahzadeh B, Soleimanian Gharehchopogh F, Mirjalili S. Artificial gorilla troops optimizer: a new nature‐inspired metaheuristic algorithm for global optimization problems[J]. International Journal of Intelligent Systems, 2021, 36(10): 5887-5958.