SCI二区|吸血水蛭优化算法（BSLO）原理及实现【免费获取Matlab代码】

---

1.背景

2024年，J Bai受到吸血水蛭觅食行为启发，提出了吸血水蛭优化算法（Blood-Sucking Leech Optimizer, BSLO）。

2.算法原理

2.1算法思想

BSLO灵感来自吸血水蛭觅食行为，其通过五种狩猎策略建模，包括有方向水蛭的探索、有方向水蛭的开发、有方向水蛭的切换机制、无方向水蛭的搜索策略以及重追踪策略。

水蛭分为两种类型，包括有方向的水蛭和无方向的水蛭。有方向的水蛭在接触到人类产生的圆形波动刺激时，可以朝着猎物以α度的角度游动。其他无方向的水蛭则在搜索空间内随机游动。咬了人类一段时间后，水蛭会被人类随机扔回稻田，并再次寻找人类。
$$\begin{array}{rl}& N_1=floor\left(N\times \left(m+(1-m)\times {\left(\frac{t}{T}\right)}^2\right)\right)\\ & N_2=N-N_1\end{array}\text{\hspace{1em}(1)}$$

2.2算法过程

定向水蛭的探索策略

水蛭的探索方式:
$$X_{(i,j)}^{t+1}=\{\begin{array}{l}{X}_{(i,j)}^t+W_1\times X_{(i,j)}^t-L_{1}rand<a\&\left|Pre{y}_{(j)}\right|>\left|X_{(i,j)}^t\right|\\ X_{(i,j)}^t+W_1\times X_{(i,j)}^t+L_{1}rand<a\&\left|Pre{y}_{(j)}\right|<\left|X_{(i,j)}^t\right|\\ X_{(i,j)}^t+W_1\times X_{(i,k)}^t-L_{2}rand>a\&\left|Pre{y}_{(j)}\right|>\left|X_{(i,j)}^t\right|\\ X_{(i,j)}^t+W_1\times X_{(i,k)}^t+L_{2}rand>a\&\left|Pre{y}_{(j)}\right|<\left|X_{(i,j)}^t\right|\end{array}\text{\hspace{1em}(2)}$$

扰动系数:
$$W_1=b\times \left(1-\frac{t}{T}\right)\times L{V}_{(i,j)}\text{\hspace{1em}(3)}$$
参数L1,L2：
$$\begin{gathered} L_1=r_1\times \left|Pre{y}_{(j)}-X_{(i,j)}^t\right|\times PD\times \left(1-\frac{k_2}{N}\right) \\ {L}_2=\left|Pre{y}_{(j)}-X_{(i,k)}^t\right|\times PD\times \left(1-r_1^2\times \frac{k_2}{N}\right)\text{\hspace{1em}(4)} \end{gathered}$$
PD称为感知距离，用来模拟水蛭感知到的距离:
$$\begin{array}{rl}& PD=s\times \left(1-\frac{t}{T}\right)\times r_2\\ & s=\{\begin{array}{l}8-\left(-{\left(\frac{t}{T}\right)}^2+1\right)ifrand<0.5\\ \\ 8-7\times \left(-{\left(\frac{t}{T}\right)}^2+1\right)otherwise\end{array}\end{array}\text{\hspace{1em}(5)}$$

定向水蛭的开发策略

N1水蛭逐渐接近人类并受到更强烈的刺激，然后获得人类感知区域。之后，水蛭在靠近人类的L区域进入开发阶段：
$$X_{(ij)}^{t+1}=\{\begin{array}{l}Pre{y}_{(j)}+W_1\times Pre{y}_{(j)}-L_{3}rand<a\&\left|Pre{y}_{(j)}\right|>\left|X_{(i,j)}^t\right|\\ Pre{y}_{(j)}+W_1\times Pre{y}_{(j)}+L_{3}rand<a\&\left|Pre{y}_{(j)}\right|<\left|X_{(i,j)}^t\right|\\ Pre{y}_{(j)}+W_1\times Pre{y}_{(j)}-L_{4}rand>a\&\left|Pre{y}_{(j)}\right|>\left|X_{(i,j)}^t\right|\\ Pre{y}_{(j)}+W_1\times Pre{y}_{(j)}+L_{4}rand>a\&\left|Pre{y}_{(j)}\right|<\left|X_{(i,j)}^t\right|\end{array}\text{\hspace{1em}(6)}$$

参数L3,L4:
$$\begin{gathered} L_3=\left|Pre{y}_{(j)}-X_{(i,j)}^t\right|\times PD\times \left(1-r_3\times \frac{k_2}{N}\right) \\ {L}_4=\left|Pre{y}_{(j)}-X_{(i,k)}^t\right|\times PD\times \left(1-r_3\times \frac{k_2}{N}\right)\text{\hspace{1em}(7)} \end{gathered}$$

伪代码

3.结果展示

4.参考文献

[1] Bai J, Nguyen-Xuan H, Atroshchenko E, et al. Blood-sucking leech optimizer[J]. Advances in Engineering Software, 2024, 195: 103696.

5.代码获取