循环系统优化算法(CSBO)：一种专家级多层次生物启发的元启发式算法

---

1.摘要

本文提出了一种新型的基于循环系统优化算法（CSBO），其灵感来自人体血管的肺循环和体循环。CSBO算法旨在解决越来越复杂的优化问题，并通过避免陷入局部最优点，获得最优解。CSBO在各种复杂的现实世界问题中表现出色，与标准的元启发式算法进行对比验证，结果显示其优越性。

2.算法原理

血液在静脉中流动

CSBO算法模拟了血液在压力作用下朝着更优方向移动的过程，从而逐步降低目标函数值。心脏动脉的堵塞被类比为算法陷入局部最优解的情况，通过模仿循环系统的持续循环，CSBO算法能够避免这一问题，并持续进行优化：
$$\begin{array}{rl}B{M}_i^{new}& =B{M}_i+K_{i1}\times p_i\times (B{M}_i-B{M}_1)\\ & +K_{23}\times p_i\times (B{M}_3-B{M}_2)\\ K_{ij}& =\frac{F(B{M}_j)-F(B{M}_i)}{|F(B{M}_j)-F(B{M}_i)|+\epsilon }\\ & =\{\begin{array}{l}1;F(B{M}_i)<F(B{M}_j)\\ -1;F(B{M}_i)>F(B{M}_j)\\ 0;F(B{M}_i)=F(B{M}_j)\end{array}\end{array}$$

其中，$K_{ij}$决定血液流动方向，$p_i$决定了位移大小并在每个循环周期中朝着更优的值移动。

肺循环中的群体或血液流动

在 CSBO 算法中，肺循环部分对应优化过程中的较弱个体。每次迭代时，算法会对这些较弱个体进行排序，并将数量为 NR 的个体送入肺循环，模拟缺氧血液进入肺部获取氧气的过程，从而提升其性能：
$$B{M}_i^{new}=B{M}_i+\left(\frac{randn}{it}\right)\times randc(1,D)$$

其中，randc表示柯西概率分布的随机向量，肺循环对$p_i$进行调整：
$$p_i=rand(1,D)$$

体循环中的群体或血液流动

在 CSBO 算法中，数量为$NR$的最弱个体会进入肺循环，而适应值较好的其余个体$NL=Npop-NR$则以新的数量进入体循环，从而在体内进行有效循环:
$$B{M}_{i,j}^{new}=B{M}_{1,j}+p_i\ast (B{M}_{3,j}-B{M}_{2,j})$$
体循环对$p_i$进行调整：
$$p_i=\frac{F(B{M}_i)-F_{\mathrm{Worst}}}{F_{\mathrm{Best}}-F_{\mathrm{Worst}}}$$

伪代码

3.结果展示

ShiftedRosenbrock函数测试

4.参考文献

[1] Ghasemi M, Akbari M A, Jun C, et al. Circulatory System Based Optimization (CSBO): an expert multilevel biologically inspired meta-heuristic algorithm[J]. Engineering Applications of Computational Fluid Mechanics, 2022, 16(1): 1483-1525.

5.代码获取