声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~
目录
吸血水蛭优化算法(Blood-sucking leech optimizer, BSLO)是一种新型的元启发式算法（智能优化算法），灵感来自吸血水蛭的这些觅食行为。这个算法包含了莱维飞行等策略，公式相对来说也比较新颖，值得一试！该成果由Jianfu Bai等人于2024年9月发表在SCI二区期刊《Advances in Engineering Software》上！
由于发表时间较短，谷歌学术上还没人引用！你先用，你就是创新！
原理简介
吸血水蛭可以有效地定位猎物并捕获猎物。当吸血水蛭在稻田里咬人的脚，吸人的血一段时间后，就会被人类移走，随机扔回稻田里。这些水蛭会再次寻找人类。BSLO的灵感来自吸血水蛭的这些觅食行为。
一、种群初始化
BSLO首先在解空间中初始化一组随机分布的候选解：
其中rand取[0,1]中的一个随机值，ub和lb分别表示优化问题的上界和下界。
二、BSLO的数学模型
吸血水蛭的觅食行为如图1所示。水蛭分为定向水蛭和无定向水蛭两种，分别如式(4)和式(5)所示。当水蛭接触到人类产生的圆波刺激时，定向水蛭可以向α摄氏度的猎物游去。其他无方向的水蛭在搜索空间中随机游动。在叮咬人类一段时间后，水蛭会被人类随机扔回稻田，再次寻找人类。
其中N1和N2是定向水蛭的数量和无方向的水蛭。floor是MATLAB中的四舍五入函数。T和t分别表示最大迭代和当前迭代。M为比值参数，决定定向水蛭和无方向水蛭的数量，本文设为0.8。因此，由于它们的觅食行为，大多数水蛭一开始都能定向搜寻人类。而且，由于越来越多的水蛭可以找到人类，它们的数量随着迭代的增加而增加。
（1）定向水蛭的勘探策略
水蛭可以在远离人类的L区域进行搜索，这被认为是水蛭的探索阶段。对水蛭的探索如式(6)所示。
其中t表示当前迭代次数，Xt (i,j)和Xt+1(i,j)分别是第i条水蛭在当前和下一次迭代中的第j个位置。k是[1,D]中的随机整数。Xt(i,k)表示第i条水蛭的第k个随机位置。Xt+1(i,j)的后两个公式提供了当前维度与其他维度之间的联系，这意味着第i个水蛭的其他维度位置可以影响第i个水蛭的下一个当前维度位置。该方法可以增加勘探阶段的多样性，但对第i条水蛭的下第j条位置的主要影响仍然是当前的维度位置。因此，a非常接近于1，本文设为0.97。rand是[0,1]范围内的随机值。当rand小于a时，由前两个公式计算Xt+1(i,j)。否则，由后两个公式计算Xt+1(i,j)。猎物(j)表示到目前为止得到的最优解的第j个位置。对于水蛭来说，W1是一个微小的干扰系数，这也增加了水蛭在勘探阶段的多样性，如式(7)所示。L1和L2是L的两种大小，由式(8)和式(9)计算得出。当第i条水蛭的下一个第j个位置受到当前维度位置的影响时，选择L1。否则，选择L2。
其中b为一个小值，以确保扰动系数W1非常小，设为0.001。LV(i,j)是由式(10)计算的随机向量，它可以提供随机扰动。
其中r1表示[-1,1]中的随机值，k2是随机整数，从[1,floor(N×(1+t))]给出。PD称为感知距离，用来模拟水蛭感知到的距离，由式(12)计算。
其中Levy(y)为levy飞行分布函数，μ和v取[0,1]中的随机值，σ根据式(11)中的第二个表达式计算，β由式(14)计算。
其中r2是[-1,1]中的随机值。
其中β随着迭代次数的增加从1.5增加到2，这可以使Levy(y)的值减小。因此，水蛭可以在开始时大踏步地寻找空间解，在随后的迭代中以小步骤开发潜在区域，这有助于水蛭寻找人类。
（2）定向水蛭的开发策略
在勘探阶段后，N1水蛭逐渐接近人类，暴露于更强烈的刺激，然后获得人类的电位区。之后，水蛭在靠近人类的L区域进入开采阶段，由式(15)计算：
其中W1是猎物的一个很小的扰动系数，同样由式(7)计算得到。W1的值与探索阶段的差值是基于迭代的。当t<0.1×t时，b的值与勘探阶段相同。经过多次迭代(t≥0.1×t)，水蛭找到了势区。扰动系数越小，求最优解的精度越高。因此，b被设置为0.00001。L3和L4是L的两种大小，由式(16)和式(17)计算。如勘探阶段所述，当前尺寸位置仍然是影响开采阶段下一个第i水蛭第j位的主要因素。因此，当rand<a时选择L3，否则选择L4：
其中r3是[-1,1]范围内的随机值，PD由式(12)计算。
（3）定向水蛭的转换机制
勘探和开发阶段需要一个转换机制。感知距离PD是为了模仿水蛭对人类的感知距离而设计的。大多数定向水蛭一开始都会探索人类。因此，大多数水蛭在一开始就感觉到自己离人类很远，所以大多数PD值都很大。由于一些水蛭初始化后更接近人类，所以PD在开始时很少值很小。为了完全模拟这种情况，我们用式(12)来计算PD，其中式(12)是基于如式(13)所示的两种场景。
随着迭代次数的增加，越来越多的水蛭最终可以找到或接近最优解。因此，PD逐渐接近于零。当PD>1时，水蛭感知到离人类较远，BSLO进入勘探阶段。否则，水蛭会觉得自己更接近人类，BSLO就会进入开发阶段。迭代得到的PD值如图3所示。可以看出，定向水蛭主要在开始时进行勘探，在后期迭代中进行开发。而且，开发存在于整个迭代中。
（4）无方向水蛭的搜索策略
没有方向的水蛭可以随意地在自己周围徘徊，远离人类，或者在人类周围徘徊。这些水蛭的下一个位置由式(18)得到。
两种情况的选择概率是相等的。LV2(i,j)也是Levy飞行分布函数。为了避免在只有正界的问题上浪费太多无意义的分布，将LV2(i,j)分为两种情况，如式(19)所示。
当问题只有非负界(lb≥0)时，LV2(i,j)取LV(i,j)的绝对值，否则，LV2(i,j)等于LV(i,j)。
（5）Re-tracking策略
一些水蛭在多次探索和开发阶段（记为t1）后，成功找到人类并进行吸血。当在稻田播种的人感到刺痛时，他们会随机地将附着在脚上的水蛭甩到稻田中。这个过程会周期性地发生（记为t2），因此需要比较最优解（Preyt-t2）和Xti的适应度值，看它们是否相等。之后，这些被扔出的水蛭可以再次寻找人类。本文将t1和t2设定为20。这些被扔出水蛭的位置由公式(20)给出：
其中F(Xti)和F(Preyt-t2)是Xt i和Preyt¶t2的适应度值。当t>t1且F(Xti)= F(Preyt-t2)时，Xi被重新分配，这有利于逃避局部最优解。
算法伪代码
以下提供APO算法的伪代码，非常清晰！
如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！
性能测评
原文作者在23个经典基准函数、CEC2017、CEC2019以及5个经典工程问题，验证了BSLO的优越性与有效性。
这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，并与经典的鲸鱼优化算法WOA进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！
可以看到，这个算法和其他算法有些不同，在F1-F4的时候能直接找到最优值0，因此后面的迭代曲线没有显示，不知道是不是作者在设计算法的时候有直接趋向于0点的策略~另外，在其他函数中表现也都是非常不错的，大家应用到各类预测、优化问题中是一个不错的选择~
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.
完整代码
如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：
BSLO
也可点击下方小卡片，再后台回复个人需求（比如BSLO-SVM）定制以下BSLO算法优化模型（看到秒回）：
1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~
2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~
4.其他：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化、DBSCAN聚类、微电网优化、无线传感器覆盖优化、故障诊断等等均可~
5.原创改进优化算法（适合需要创新的小伙伴）：原创改进2024年的BSLO优化算法以及黑翅鸢BKA、蜣螂DBO等任意优化算法均可，保证测试函数效果！
更多免费代码链接：更多代码链接
517
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
