本文介绍了VSDMSahu等人提出的霸王龙优化算法(TROA)，模仿霸王龙的狩猎行为进行搜索优化。算法包括初始化、捕猎和选择阶段，展示了其在解决优化问题上的应用，以及通过测试框架如CEC2005-F7进行性能评估。
1.背景
2023年，VSDM Sahu等人受到霸王龙狩猎行为启发，提出了霸王龙优化算法（Tyrannosaurus Optimization Algorithm, TROA）。
2.算法原理
2.1算法思想
TROA模拟了霸王龙狩猎行为，主要分为：初始化、捕猎和选择。捕猎阶段模拟了霸王龙的狩猎行为，通过搜索空间寻找最优解。在选择阶段，根据预定的标准选择最佳解。
2.2算法过程
狩猎和追逐
霸王龙看到离它最近的猎物时，它会试图捕猎。有时是为了保护自己不被捕猎，有时是为了逃跑：
x
n
e
w
=
{
x
n
e
w
i
f
r
a
n
d
(
)
<
E
r
Random
e
l
s
e
}
(1)
x_{new}=\begin{Bmatrix}x_{new}&if&rand()<Er\\\text{Random}&else\end{Bmatrix}\tag{1}
xnew={xnewRandomifelserand()<Er}(1)
其中，r为到达分散猎物的估计，即当霸王龙开始捕猎时，通过更新位置来捕猎猎物：
x
n
e
w
=
x
+
r
a
n
d
(
)
∗
s
r
∗
(
t
p
o
s
∗
t
r
−
t
a
r
g
e
t
∗
p
r
)
(2)
x_{new}=x+rand()*sr*(tpos*tr-target*pr)\tag{2}
xnew=x+rand()∗sr∗(tpos∗tr−target∗pr)(2)
sr为狩猎成功率，介于[0.1,1]之间。如果成功率为0，则表示猎物已经逃脱，狩猎失败，猎物位置必须相应地更新。
选择阶段
选择过程取决于猎物的位置，即目标猎物现在的位置和以前的位置：
X
i
k
+
1
=
{
u
p
d
a
t
e
t
h
e
t
a
r
g
e
t
p
o
s
i
t
i
o
n
i
f
f
(
X
)
<
f
(
X
n
e
w
)
t
a
r
g
e
t
i
s
z
e
r
o
o
t
h
e
r
w
i
s
e
(3)
\left.X_i^{k+1}=\left\{\begin{matrix}update\text{ }the\text{ }target\text{ }position&if&f(X)<f(X_{new})\\target\text{ }is\text{ }zero&otherwise\end{matrix}\right.\right.\tag{3}
Xik+1={update the target positiontarget is zeroifotherwisef(X)<f(Xnew)(3)
伪代码
3.结果展示
使用测试框架，测试HGS性能 一键run.m
CEC2005-F7
4.参考文献
[1] Sahu V S D M, Samal P, Panigrahi C K. Tyrannosaurus optimization algorithm: A new nature-inspired meta-heuristic algorithm for solving optimal control problems[J]. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 2023, 5: 100243.
761
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
