【智能算法】人工兔优化算法（ARO）原理及实现

1.背景

2022年，Wang等人受到自然界中兔子生存策略启发，提出了人工兔优化算法（ArtificialRabbits Optimization, ARO）。

2.算法原理

2.1算法思想

ARO模拟了自然界中兔子的生存策略，包括迂回觅食和随机隐藏。

2.2算法过程

迂回觅食：

在迂回觅食阶段,假设种群中的每只兔子都有自己的区域,有一些草和洞穴,兔子总是随机地访问彼此的位置觅食。事实上,在觅食时,兔子很可能会扰乱食物来源以获取足够的食物。因此,ARO 算法的迂回觅食行为意味着每个搜索个体倾向于使用向群中随机选择的其他搜索个体的位置来更新其位置,并添加扰动。
$$\begin{array}{rl}{X}_i\left(t+1\right)=& X_j\left(t\right)+R\cdot \left(X_i\left(t\right)-X_j\left(t\right)\right)+\text{round}\left(0.5\bullet \left(0.05+r_1\right)\right)\bullet r_2\end{array}\text{\hspace{1em}(1)}$$
R 表示移动步长:
$$R=(e-e^{(\frac{t-1}{T}{)}^2})\bullet \sin (2\pi r_3)\bullet c\text{\hspace{1em}(2)}$$

随机隐藏：

为了躲避捕食者,兔子通常会在巢穴周围挖一些不同的洞来躲藏。在 ARO 算法的每次迭代中,兔子总是沿着搜索空间的每个维度在其周围产生若干个洞穴,并且总是从所有洞穴中随机选择一个进行隐藏,以降低被捕食的概率。
$$\begin{array}{rl}{X}_i\left(t+1\right)=& X_i\left(t\right)+R\bullet (r_4\bullet H\bullet g\bullet X_i\left(t\right)-X_i\left(t\right))\end{array}\text{\hspace{1em}(3)}$$
H 为隐藏参数:
$$H=\frac{T-t+1}{T}\bullet r_5\text{\hspace{1em}(4)}$$
在 ARO 算法中,兔子总是倾向于在迭代初始阶段频繁地进行迂回觅食,而在迭代后期阶段频繁地进行随机隐藏,这种搜索机制取决于兔子的能量,它会随着时间的推移而逐渐收缩。能量因子A :
$$A(t)=4\bullet (1-\frac{t}{T})\bullet \ln \frac{1}{r_6}\text{\hspace{1em}(5)}$$

伪代码：

3.结果展示

4.参考文献

[1] Wang L, Cao Q, Zhang Z, et al. Artificial rabbits optimization: A new bio-inspired meta-heuristic algorithm for solving engineering optimization problems[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 105082.