【优化算法】莲花效应优化算法（LEA）：一种基于莲花自然启发的工程设计优化算法

---

1.摘要

本文提出了一种新的进化算法——莲花效应算法（LEA），该算法结合了蜻蜓算法中的高效操作算子，例如蜻蜓在花朵授粉中的运动方式用于探索，以及水在花叶上的自清洁特性——即莲花效应，用于提取和局部搜索操作。

2.算法原理

探索阶段

在LEA算法中，蜻蜓模拟了授粉过程，其基于昆虫群体的三个基本行为原则——分离、对齐和凝聚，以及食物和敌人两个概念，来模拟蜻蜓的智能行为。分离原则旨在避免个体与邻近个体发生碰撞；对齐原则则要求个体与邻域内其他个体的速度相匹配；凝聚原则则促使个体向邻域的质量中心聚集。每个群体的最终目标是生存，因此个体必须朝向食物源并远离敌人。分离行为：
$$S_i^t=-\sum _{j=1}^N{X}_i^t-X_j^t$$
对齐行为：
$$A_i^t=\frac{{\sum }_{j=1}^N{X}_j^t}{N}$$
凝聚行为：
$$C_i^t=\frac{{\sum }_{j=1}^N{X}_j^t}{N}-X_i^t$$

对食物来源的吸引力计算如下：
$$F_i^t=X_{+}^t-X_i^t$$
天敌干扰力计算如下：
$$E_i^t=X_{-}^t+X_i^t$$
其中，$X_{+}^t$食物来源的位置，$X_{-}^t$天敌位置。

蜻蜓的行为是由五种假设模式的组合而成。为了更新蜻蜓在搜索空间中的位置并模拟它们的运动，算法考虑了步长和位置：
$$\Delta X_i^{t+1}=\left(\begin{array}{c}s{S}_i^t+a{A}_i^t+c{C}_i^t+f{F}_i^t+e{E}_i^t\end{array}\right)+w\Delta X_i^t$$
位置更新：
$$X_i^{t+1}=X_i^t+w\Delta X_i^{t+1}$$

为了提高蜻蜓在搜索空间中的随机探索行为，当周围没有解时，蜻蜓会随机飞行并调整其步长：
$$X_i^{t+1}=X_i^t+\mathrm{Levy}(d)\times X_i^t$$

开发阶段

局部授粉阶段是该算法中的提取过程，在这一过程中使用一个系数来确定每朵花周围的生长区域大小，最佳解成为其他解的吸引源，其他解则朝着最佳解移动。在算法的初始阶段，步长较长，以便快速探索解空间；随着优化的进行，步长逐渐缩短，从而精细化搜索并增强局部优化能力：
$$X_i^{t+1}=X_i^t+R\left(X_i^t-g^{\ast }\right)$$
其中，$R$表示增长区域：
$$R=2e^{-{\left(\frac{4t}{L}\right)}^2}$$

伪代码

3.结果展示

4.参考文献

[1] Dalirinia E, Jalali M, Yaghoobi M, et al. Lotus effect optimization algorithm (LEA): a lotus nature-inspired algorithm for engineering design optimization[J]. The Journal of Supercomputing, 2024, 80(1): 761-799.

5.代码获取