【智能算法】蒲公英优化算法（DO）原理及实现

---

1.背景

2022年，Zhao等人受到自然界蒲公英种子依靠风的长距离飞行过程启发，提出了蒲公英优化算法（Dandelion Optimizer, DO）。

2.算法原理

2.1算法思想

DO模拟了蒲公英御风长距离飞行过程分为上升、下降和着陆 3 个阶段。在上升阶段，根据不同天气条件，种子在群落中以螺旋式上升方式运动或在局部中飘逸；在下降阶段，通过在全局空间中不断调整飞行方向，上升到一定高度后种子稳定下降；在着陆阶段，在风和天气的影响下，种子随机选择位置降落。

2.2算法过程

上升阶段：

蒲公英种子达到一定高度后分散。受风速、温度、湿度等影响，蒲公英种子上升高度不同，按天气可分为晴天和雨天。

晴天风速服从对数性质的正态分lnY~N(μ,σ^2)随机沿 Y 轴均匀分布,蒲公英种子有更多机会传播至遥远区域。在探索空间内，蒲公英种子被风随机吹到不同的位置。风速决定种子飞行高度。风速不断调整种子上方的漩涡，上升姿态呈现螺旋状:
$$X_{t+1}=X_t+\alpha {\nu }_x{\nu }_y\ln Y(X_s-X_t)\text{\hspace{1em}(1)}$$
Xs为搜索空间中随机位置：
$$X_s=\mathrm{rand}(1)(U_{\mathrm{B}}-L_{\mathrm{B}})+L_{\mathrm{B}}\text{\hspace{1em}(2)}$$
函数 lnY 服从 μ=0 和 σ^2=1 的对数正态分布:
$$\ln Y=\{\begin{array}{ll}\frac{1}{y\sqrt{2\pi }}\exp [-\frac{1}{2{\sigma }^2}(\ln y{)}^2],y⩾0& \\ 0,& y<0\end{array}\text{\hspace{1em}(3)}$$
调整搜索步长 α 为自适应参数:
$$\alpha =\mathrm{rand}(\frac{1}{T^2}-\frac{2}{T}t+1)\text{\hspace{1em}(4)}$$
当分离涡流作用于蒲公英时，会产生升力分量系数 vx、vy:
$$\{\begin{array}{l}r=e^{-\theta }\\ v_x=r\cos \theta \\ v_y=r\sin \theta \end{array}\text{\hspace{1em}(5)}$$
雨天，受空气湿度、空气阻力等因素影响，蒲公英种子无法充分地随风上升，种子在局部领域开发：
$$X_{t+1}=X_{t}k\text{\hspace{1em}(6)}$$
k 值调节蒲公英的局部搜索区域:
$$\{\begin{array}{l}q=\frac{1}{T^2-2T+1}{t}^2-\frac{2}{T^2-2T+1}t+\frac{1}{T^2-2T+1}+1\\ k=1-\text{rand}()q\end{array}\text{\hspace{1em}(7)}$$

综上，蒲公英种子处于上升阶段：
$$X_{t+1}=\{\begin{array}{ll}{X}_t+\alpha {\nu }_x{\nu }_y\ln Y(X_s-X_t),& \text{rand}(n)<1.5\\ X_{t}k,& \text{其他}\end{array}\text{\hspace{1em}(8)}$$

下降阶段:

蒲公英种子上升到一定高后稳定下降，DO 采用服从正态分布的布朗运动来模
拟蒲公英种子的运动轨迹，使个体在迭代过程中容易遍历更多搜索区域。采用上升阶段后的平均位置信息反映蒲公英下降的稳定性，有助于整个种群向最优个体的区域搜索开发：
$$X_{t+1}=X_t-\alpha {\beta }_t(X_t^{\mathrm{mean}}-\alpha {\beta }_t{X}_t)\text{\hspace{1em}(9)}$$
Xmean 为种群平均位置信息：
$$X_t^{\mathrm{mean}}=\frac{1}{N_p}\sum _{i=1}^{N_p}{X}_i\text{\hspace{1em}(10)}$$

着陆阶段:

蒲公英种子随机选择位置降落，随着迭代次数增加，算法有望收敛于全局最优解，反映种子最容易存活的近似位置。在确定最优种子生长位置后，利用当前精英个体局部领域内的信息，可以使算法精确收敛于全局最优解。随着种群不断进化，最终算法收敛于全局最优解。
$$X_{t+1}=X_{\mathrm{elite}}+\mathrm{Levy}(\lambda )\alpha (X_{\mathrm{elite}}-X_t\delta )\text{\hspace{1em}(11)}$$
Xelite为种子在第 t 次迭代产生的最优位置；Levy(λ)为莱维飞行函数，用于增强局部搜索能力。

伪代码：

3.结果展示

4.参考文献

[1] Zhao S, Zhang T, Ma S, et al. Dandelion Optimizer: A nature-inspired metaheuristic algorithm for engineering applications[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 105075.