【智能算法】卷尾猴搜索算法（CapSA）原理及实现

最新推荐文章于 2024-09-23 23:18:49 发布

小O的算法实验室

最新推荐文章于 2024-09-23 23:18:49 发布

阅读量917

点赞数 11

分类专栏：智能算法文章标签：智能算法算法

本文链接：https://blog.csdn.net/Logic_9527/article/details/137551476

版权

智能算法专栏收录该内容

326 篇文章 17 订阅

订阅专栏

在这里插入图片描述

1.背景

2021年，M Braik等人受到自然界卷尾猴觅食行为启发，提出了卷尾猴搜索算法（Capuchin Search Algorithm，CapSA）。

2.算法原理

2.1算法思想

CapSA种模拟卷尾猴在森林中游荡觅食行为，是领导者和跟随者类型。领导者负责发现食物区域，跟随者在该区域寻找食物的具体位置; 卷尾猴在觅食过程中，依据自身位置与角色、历史最好位置、种群的全局最好位置及位置更新策略不断更新自身位置，直到最终获取食物后，停止食物的搜索。
在这里插入图片描述

2.2算法过程

初始化种群后，计算种群适应度，依据适应度降幂排列卷尾猴种群中的卷尾猴，前 1 /2 只卷尾猴构成领导者种群 A，后1 /2 只卷尾猴构成跟随者种群 B。

卷尾猴速度更新

卷尾猴i更新速度：
$\begin{aligned}\nu_{i}( t + 1) &=\rho \nu_{i}( t) + \tau a_{1}( x_{best}^{i} - x_{i}( t) ) r_{1} +\tau a_{2}( F - x_{i}( t) ) r_{2}\end{aligned}\tag{1}$
其中，xibest 为卷尾猴 i 的历史最优位置; F 为所有卷尾猴的全局最好位置。（PS：跟粒子群PSO一致🤣）
惯性系数 ρ平衡卷尾猴的全局和局部搜索能力:
$\tau=\beta_0 e^{-\beta_1( \frac tT) \beta_2}\tag{2}$

领导者种群位置更新

更新策略：
$\begin{aligned}&x_{ij}( t + 1) =&\begin{cases}\tau [ [ b_j + \varepsilon( u b_j - l b_j) ]&0.1 < \varepsilon \leqslant 0.2\\F + \frac{P_{ef} P_{bf} v_{ij}( t )^2\sin( 3r)}{g}&0.2 < \varepsilon \leqslant 0.3\\x_{ij}( t ) + v_{ij}( t )&0.3 < \varepsilon \leqslant 0.5\\F + \tau P_{bj}\sin( 3r)&0.5 < \varepsilon \leqslant 0.75\\F + \tau P_{bj}( v_{ij}( t ) - v_{i,j-1}( t ) )&0.75 < \varepsilon \leqslant 1.0\end{cases}\end{aligned}\tag{3}$
其中，Pbf 是领导者卷尾猴在跳跃运动中提供平衡的概率，Pef 为弹性系数。

跟随者种群位置更新

种群 B 中位置为xi( t) 的跟随者 i 更新后的位置是介于自身位置和上一时刻位置的中间位置：
$x_i( t + 1) =\frac{1}{2}( x_i( t) + x_{i-1}( t) )\tag{4}$
PS:有点像灰狼GWO🤣

伪代码

在这里插入图片描述

3.结果展示

在这里插入图片描述

4.参考文献

[1] Braik M, Sheta A, Al-Hiary H. A novel meta-heuristic search algorithm for solving optimization problems: capuchin search algorithm[J]. Neural computing and applications, 2021, 33(7): 2515-2547.