【智能算法】阿基米德优化算法（AOA）原理及实现

---

1.背景

2020年，Hashim等人受到阿基米德定律启发，提出了阿基米德优化算法（Archimedes Optimization Algorithm，AOA）。

2.算法原理

2.1算法思想

AOA模仿了完全或部分浸没在流体中的物体发生碰撞时所受浮力的关系，在迭代过程中不断调整个体密度、体积和加速度，从而使个体达到平衡状态，适应度值优的个体引导种群收敛到最优位置。

2.2算法过程

AOA 的种群个体是浸入流体中的物体，通过调整物体的密度、体积和加速度来实现种群位置的更新。
AOA算法根据物体是否与液体发生碰撞，将其分为全局探索和局部搜索阶段。如果未发生碰撞，则算法执行全局探索阶段；反之，则执行局部开发阶段。AOA通过转移因子TF实现算法从全局探索切换到局部开发的过程。

初始阶段：

AOA 初始化个体的密度( den) 、体积( vol) 、加速度( acc) ，选出当前最优适应度个体( xbest ) 、最优密度( den) 、最优体积( vol) 以及最优加速度( acc)：
$$TF=\exp (\frac{t-t_{\max }}{t_{\max }})\text{\hspace{1em}(1)}$$
$$\begin{array}{c}{d}^{t+1}=\exp (\frac{t_{max}-t}{t_{max}})-(\frac{t}{t_{max}})\\ de{n}_i^{t+1}=de{n}_t^i+rand\times (de{n}_{best}-de{n}_i^t)\\ vo{l}_i^{t+1}=vo{l}_t^i+rand\times (vo{l}_{best}-vo{l}_i^t)\end{array}\text{\hspace{1em}(2)}$$

全局探索阶段:

当 TF<=0.5 时，算法进行全局探索阶段，个体的加速度更新:
$$ac{c}_i^{t+1}=\frac{de{n}_{mr}+vo{l}_{mr}+ac{c}_{mr}}{de{n}_i^{t+1}\times vo{l}_i^{t+1}}\text{\hspace{1em}(3)}$$
对加速度进行标准化处理，用来更新碰撞个体位置:
$$ac{c}_{i\to norm}^{t+1}=u\times \frac{ac{c}_i^{t+1}-\min (acc)}{\max (acc)-\min (acc)}+l\text{\hspace{1em}(4)}$$
碰撞个体的位置更新:
$$x_i^{t+1}=x_i^t+c_1\times rand\times ac{c}_{i-norm}^{t+1}\times d\times (x_{rand}-x_i^t)\text{\hspace{1em}(5)}$$

局部开发阶段:

当 TF >0.5 时，算法处于局部开发阶段，个体加速度更新:
$$ac{c}_i^{t+1}=\frac{de{n}_{best}+vo{l}_{best}+ac{c}_{best}}{de{n}_i^{t+1}\times vo{l}_i^{t+1}}\text{\hspace{1em}(6)}$$
对加速度进行标准化处理，用来更新平衡个体位置:
$$x_i^{t+1}=x_{best}^t+F\times c_2\times rand\times ac{c}_{i-norm}^{t+1}\times d\times (T\times x_{best}-x_i^i)\text{\hspace{1em}(7)}$$
F 是改变个体移动方向的标志，用于决定个体位置更新的方向:
$$F=\{\begin{array}{ll}+1& \text{if}p⩽0.5\\ -1& \text{if}p>0.5\end{array}\text{\hspace{1em}(8)}$$

伪代码：

3.结果展示

4.参考文献

[1] Hashim F A, Hussain K, Houssein E H, et al. Archimedes optimization algorithm: a new metaheuristic algorithm for solving optimization problems[J]. Applied intelligence, 2021, 51: 1531-1551.