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
捕鱼优化算法(Catch Fish Optimization Algorithm, CFOA)是一种新型的元启发式算法（智能优化算法），灵感来源于农民在池塘里的捕鱼过程，算法简单高效，思路清晰，值得一试！该成果由贾鹤鸣于2024年6月发表在SCI期刊《Cluster Computing》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
灵感：在农村捕鱼的过程包括几个步骤。在钓鱼之前，人们通常会把池塘里的水放干，以降低水位。然后，他们进入池塘，用手或工具抓鱼。
当水位下降时，鱼倾向于寻找藏身之处，而池塘内人们的活动使水变得浑浊。在浑浊的水中，鱼需要浮出水面呼吸空气，这样渔民就更容易看到它们。这为渔民创造了有利的条件，但对鱼却不利，因为它们在这种环境中更容易被捕获。
CFOA的核心理念是通过小组内的合作努力实现最大限度的渔获。个人可以使用工具并合作在复杂的水体中捕鱼，分享各自的捕捞经验。根据这些经验，他们可以辨别最佳的捕鱼方向，并找到更有利的鱼群聚集点。
一、种群初始化
与其他算法一样，初始化公式为：
fisheri,j是第i个渔夫在第j维的位置，ubj和lbj是第j维的上界和下界，r是(0,1)之间的随机数。
作者使用0.5来在迭代过程中公平分配开发和探索的比例。在这个过程中，个体在阶段的前半段(EFs/MaxEFs＜0.5)探索全局，随后在阶段的后半段(EFs/MaxEFs≥0.5)进行局部搜索。
二、勘探阶段(EFs/MaxEFs＜0.5)
在捕鱼刚开始的时候，鱼类最丰富，渔获率最高，但随着渔民渔获量逐渐减少，导致渔获率下降。该模式中的转换是使用捕获速率参数模拟的，表示为a：
EFs是当前评估的数量，MaxEFs是评估的最大数量。
渔民可以自由选择独立搜索或群体捕获，但当捕获率a较高时，渔民的捕获策略倾向于独立搜索方法，当捕获率a降低时，渔民转向群体捕获方法，我们使用随机数(0,1)进行模拟。当p＜a时选择独立搜索，当p≥a时选择群体捕获，p是概率，在(0,1)之间的随机数。
（1）独立搜索(p＜a)
渔民根据他人的捕获情况调整自己的探索方向和位置。如果自己所在位置的捕获情况与参考捕获情况相似，则侧重于局部探索。如果参考捕获情况是有利的，他们继续在那个方向搜索。在个人捕获情况良好的情况下，他们进行反向搜索。下图显示了该方法的原理图。更新公式如下：
其中，Exp是渔民以任意posth (pos = 1或2或…或N, p = i)渔民为参考对象获得的经验分析值，取值范围为(- 1,1)。fitmax和fitmin分别为第t次完全位置更新后的最差和最佳适应度值。T表示渔民位置的迭代次数。fishterijT和fishterijT+1表示第i个渔民在第j维和T和T+1迭代后的位置。Rs是(0,1)之间的随机数。Dis是个体与参照物之间的欧几里得距离。s为d维的随机单位向量。根据经验分析，确定主要的行进方向(以渔民到参照人的方向为正方向)和距离。勘探范围R也随Exp的绝对值和当前评价EFs的数量而变化，R小于等于Dis。
（2）群体捕鱼(p≥a)
渔民扩大捕鱼能力，并随机组成3-4人一组，相互合作，包围可疑地点。随着鱼的不断捕获和人的逐渐聚集，渔民运动的偏差程度减小。通过利用每个人独特的移动能力，更精确地探索该地区。该方法的原理图如下图所示。建立模型和公式如下：
c是一组3-4个人，他们的位置没有更新。Centrec为c群包围圈的目标点，即下图中的红橙色点。FishtrcijT+1和FishtrcijT表示在T+1次和T次更新后，c组中第i个渔民在j维中的位置。R2是渔民接近中心的速度，因人而异，取值范围为(0,1)。r3为移动的偏移量，其取值范围为(- 1,1)，随着EFs的增加逐渐减小。下图中蓝色箭头是渔民移动的最终方向和距离的二维显示。
三、开发阶段(EFs/MaxEFs≥0.5)
经过上述阶段，一些鱼逃脱而没有被渔民捕获。因此，在此阶段，渔民的分布为：以鱼群为中心，由中部向周边聚集程度逐渐稀疏，向外分布范围逐渐缩小。中心的渔民捕获鱼群，而外围的渔民捕获逃跑的鱼。渔民进行战略性捕捞，共同努力提高捕捞率。我们用高斯分布来模拟这个分布。其分布如下图所示。更新公式如下：
其中，GD为高斯分布函数，总体均值μ在0处，总体方差σ随着评价次数从0-1增大。第i位渔民在T+1次更新后的位置。mean(Fisher)是渔民中心各维均值的矩阵。Gbest为全局最优位置，即下图中的红色圆圈，r4为值为{1,2或3}的随机数，将渔民分布在三个范围内。
算法伪代码
为了使大家更好地理解，这边给出作者算法的流程图和伪代码，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
原文作者通过CEC2014和CEC2020测试函数，与其他11种优化算法进行了比较，并CFOA应用于数据聚类问题，实验结果表明，CFOA总体上表现出优异而稳定的优化能力，并在面对不同的优化问题时均表现出优异的优化效果。
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，设置种群数量为30，迭代次数为1000，进行测试！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，这个算法有明显的跳出局部最优的能力！大家应用到各类预测、优化问题中也是一个不错的选择~
参考文献
[1]Jia H, Wen Q, Wang Y, et al. Catch fish optimization algorithm: a new human behavior algorithm for solving clustering problems[J]. Cluster Computing, 2024: 1-38.
完整代码
如果需要免费获得图中的完整测试代码，只需后台回复关键字，不区分大小写：
CFOA
也可后台回复个人需求（比如CFOA-BP）定制以下CFOA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.路径规划类：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路径优化等等~
5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~
6.原创改进优化算法（适合需要创新的同学）：原创改进2024年的捕鱼优化算法CFOA以及蛇鹫SBOA、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
6418
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
