【智能算法】清道夫优化算法（CFO）原理及实现

---

1.背景

2024年，W Zhang受到清道夫自然行为启发，提出了清道夫优化算法（Cleaner Fish Optimization Algorithm, CFO）。

2.算法原理

2.1算法思想

CFO模拟了清道夫在进行“清洁服务”时的移动行为，以及雌鱼变性为雄鱼的行为，并定义了两种位置更新模式。此外，还提出了一种两代循环操作策略来实现优化过程。

2.2算法过程

CFO采用三次混沌映射对算法进行初始化，保持了算法的多样性，提高了算法的全局搜索能力:
$$\begin{array}{rl}& r_{k+1,j}=4r_{k,j}^3-3r_{k,j},-1<r_{1,j}<1,r_{k,j}\ne 0\\ & k=1,2,...,N-1.j=1,2,...,d\end{array}\text{\hspace{1em}(1)}$$

种群初始化：
$$X_{i,j}=l{b}_{i,j}+(u{b}_{i,j}-l{b}_{i,j})\cdot \left(\frac{r_{i,j}+1}{2}\right)\text{\hspace{1em}(2)}$$

CFO 提出了两代循环策略：分别是目标追踪和性别转换。一代采用目标追踪更新模式以实现“清洁服务”。而在下一代中，前三分之二的个体采用目标追踪更新模式，其他个体采用性别转换更新模式。

目标追踪

清道夫目标追踪行为:
$$X_{i,j}^{t+1}=X_{i,j}^t+V_{i,j}^t\text{\hspace{1em}(2)}$$
清道夫速度:
$$V_{i,j}^{t+1}=V_{i,j}^t+(X_{i,j}^t-X_{best,j})\cdot f\text{\hspace{1em}(3)}$$
f为每个个体对应的频率:
$$f=f_{min}+(f_{max}-f_{min})\cdot r_1\text{\hspace{1em}(4)}$$
其中fmin, fmax分别为最小和最大频率。它们分别被设置为0和10。为了增强算法的探索能力，引入了随机行走策略:
$$X_{i,j}=\{\begin{array}{llcc}{X}_{best,j}+0.1\cdot rand\cdot {\alpha }^t,& if{r}_2<r& & \\ X_{i,j}^t,& otherwise& & \end{array}\text{\hspace{1em}(5)}$$
参数表述为:
$${\alpha }^{t+1}=0.97\times {\alpha }^t\text{\hspace{1em}(6)}$$
$\alpha$表示清道夫的清洁能力，也表示随着迭代次数的增加，清道夫的清洁能力下降。r为自适应参数:
$$r=1-e^{-\gamma \cdot t}\text{\hspace{1em}(7)}$$

性别转换

在鱼类群体中，当雄性死亡时，雌性可能会改变性别，成为新的雄性。基于这种行为，本文提出了性别转换更新模式：
$$X_{i,j}^{t+1}=w\cdot X_{i,j}^t+r_3\cdot (X_{i,j}^t-X_{best,j})\text{\hspace{1em}(8)}$$
w为自适应权值，用于平衡探索和开发:
$$w=(w_{max}-w_{min}{)}^{e^{\frac{t}{T}}}+w_{min}\text{\hspace{1em}(9)}$$

鱼类种群行为

清道夫是群居动物，为了表现这种行为，引入了准反射反向学习策略：
$$X_{i,j}=r_4\times \left(X_{i,j}^t-\frac{u{b}_{i,j}+l{b}_{i,j}}{2}\right)-\frac{u{b}_{i,j}+l{b}_{i,j}}{2}\text{\hspace{1em}(10)}$$

流程图

伪代码

3.结果展示

4.参考文献

[1] Zhang W, Zhao J, Liu H, et al. Cleaner fish optimization algorithm: a new bio-inspired meta-heuristic optimization algorithm[J]. The Journal of Supercomputing, 2024: 1-39.

5.代码获取

资源清单