【智能算法】白鹭群优化算法（ESOA）原理及实现

---

1.背景

2022年，Z Chen等人受到白鹭捕食行为和自然行为启发，提出了白鹭群优化算法（Egret Swarm Optimization Algorithm, ESOA）。

2.算法原理

2.1算法思想

ESOA通过三个主要部分实现优化：坐等策略、主动策略和判别条件。坐等策略利用伪梯度估计器引导搜索过程，帮助算法稳定地找到最可能的解。主动策略通过随机漫游和包围机制，加强对解空间的探索，提高找到最优解的机会。判别条件则用于平衡这两种策略，确保在探索和开发之间达到合理的平衡。

2.2算法过程

坐等策略

A(∗)是白鹭对自己当前位置可能存在猎物的估计方法，y为猎物在当前位置的估计:
$${\hat{y}}_i=A({\mathbf{x}}_i)\text{\hspace{1em}(1)}$$
估计方法参数化：
$${\hat{y}}_i={\mathbf{w}}_i\cdot {\mathbf{x}}_i\text{\hspace{1em}(2)}$$
其中，wi∈Rn为估计方法的权值。误差ei:
$$e_i=\Vert {\hat{y}}_i-y_i{\Vert }^2/2\text{\hspace{1em}(3)}$$
梯度与梯度方向:
$$\begin{array}{rl}& {\hat{g}}_i=\frac{\partial {\hat{e}}_i}{\partial {\mathbf{w}}_i}\\ & =\frac{\partial \Vert {\hat{y}}_i-y_i{\Vert }^2/2}{\partial {\mathbf{w}}_i}\\ & =({\hat{y}}_i-y_i)\cdot {\mathbf{x}}_i,\\ & {\hat{\mathbf{d}}}_i={\hat{\mathbf{g}}}_i/|{\hat{\mathbf{g}}}_i|.\end{array}\text{\hspace{1em}(4)}$$
白鹿捕食过程中借鉴最优白鹿位置以及自身位置，dh,i∈Rn为小队最佳位置的方向改正量，dg,i∈Rn为所有小队最佳位置的方向改正量:
$$\begin{array}{c}{\mathbf{d}}_{h,i}=\frac{{\mathbf{x}}_{ibest}-{\mathbf{x}}_i}{|{\mathbf{x}}_{ibest}-{\mathbf{x}}_i|}\cdot \frac{f_{ibest}-f_i}{|{\mathbf{x}}_{ibest}-{\mathbf{x}}_i|}+{\mathbf{d}}_{ibest}.\\ {\mathbf{d}}_{g,i}=\frac{{\mathbf{x}}_{gbest}-{\mathbf{x}}_i}{\left|{\mathbf{x}}_{gbest}-{\mathbf{x}}_i\right|}\cdot \frac{f_{gbest}-f_i}{\left|{\mathbf{x}}_{gbest}-{\mathbf{x}}_i\right|}+{\mathbf{d}}_{gbest}.\end{array}\text{\hspace{1em}(5)}$$
梯度gi，参数rh∈[0,0.5]，rg∈[0,0.5]:
$${\mathbf{g}}_i=(1-r_h-r_g)\cdot {\hat{\mathbf{d}}}_i+r_h\cdot {\mathbf{d}}_{h,i}+r_g\cdot {\mathbf{d}}_{g,i}\text{\hspace{1em}(6)}$$
自适应权值更新:
$$\begin{array}{rl}& {\mathbf{m}}_i={\beta }_1\cdot {\mathbf{m}}_i+(1-{\beta }_1)\cdot {\mathbf{g}}_i,\\ & {\mathbf{v}}_i={\beta }_1\cdot {\mathbf{v}}_i+(1-{\beta }_1)\cdot {\mathbf{g}}_i^2,\\ & {\mathbf{W}}_i={\mathbf{w}}_i-{\mathbf{m}}_i/\sqrt{{\mathbf{v}}_i}.\end{array}\text{\hspace{1em}(7)}$$
下一个采样位置xa,i:
$$\begin{gathered} {\mathbf{x}}_{a,i}={\mathbf{x}}_i+ste{p}_a\cdot \exp (-t/(0.1\cdot t_{max}))\cdot hop\cdot {\mathbf{g}}_i, \\ {y}_{a,i}=f({\mathbf{x}}_{a,i})\text{\hspace{1em}(8)} \end{gathered}$$

主动策略

白鹭B倾向于随机寻找猎物:
$$\begin{gathered} {\mathbf{x}}_{b,i}={\mathbf{x}}_i+ste{p}_b\cdot \tan \left({\mathbf{r}}_{b,i}\right)\cdot hop/(1+t), \\ {y}_{b,i}=f({\mathbf{x}}_{b,i})\text{\hspace{1em}(9)} \end{gathered}$$
白鹭C倾向于积极地追捕猎物，因此采用包围机制作为其位置更新:
$$\begin{array}{rl}& {\mathbf{D}}_h{\mathbf{x}}_{ibest}-{\mathbf{x}}_i,\\ & {\mathbf{D}}_g=x_{gbest}-x_i,\\ & {\mathbf{x}}_{c,i}=(1-{\mathbf{r}}_i-{\mathbf{r}}_g)\cdot {\mathbf{x}}_i+{\mathbf{r}}_h\cdot {\mathbf{D}}_h+{\mathbf{r}}_g\cdot {\mathbf{D}}_g,\\ & y_{c,i}=f({\mathbf{x}}_{c,i}).\end{array}\text{\hspace{1em}(10)}$$
h是当前位置和这个白鹭小队最佳位置之间的差距矩阵，Dg是所有白鹭小队最佳位置之间的差距矩阵。xc,i为白鹭c的期望位置，stepb∈(0,1]为白鹭B的步长因子。Rh和rg是[0,0.5]随机数。

判别条件

在白鹭小组的每个成员决定了自己的计划后，小组选择最优方案并一起采取行动。xs,i为第i个白鹭班的解矩阵:
$$\begin{array}{rl}& {\mathbf{x}}_{s,i}=[{\mathbf{x}}_{a,i}{\mathbf{x}}_{b,i}{\mathbf{x}}_{c,i}],\\ & {\mathbf{y}}_{s,i}=[y_{a,i}{y}_{b,i}{y}_{c,i}],\\ & c_i=argmin({\mathbf{y}}_{s,i}),\\ & {\mathbf{x}}_i=\{\begin{array}{llccc}{\mathbf{x}}_{s,i}{|}_{c_i}& if& {\mathbf{y}}_{s,i}{|}_{c_i}<y_i& or& r<0.3,\\ {\mathbf{x}}_i& & else& & \end{array}\end{array}\text{\hspace{1em}(11)}$$

伪代码

3.结果展示

使用测试框架，测试ESOA性能 一键run.m

• 【智能算法】省时方便，智能算法统计指标——一键运行~

CEC2017-F14

4.参考文献

[1] Chen Z, Francis A, Li S, et al. Egret swarm optimization algorithm: an evolutionary computation approach for model free optimization[J]. Biomimetics, 2022, 7(4): 144.