智能优化算法（源码）-海鸥优化算法（SOA）

最新推荐文章于 2024-08-25 12:42:13 发布

松间沙路hba

最新推荐文章于 2024-08-25 12:42:13 发布

阅读量6k

点赞数 4

分类专栏：群体智能文章标签：群体智能海鸥优化

本文链接：https://blog.csdn.net/hba646333407/article/details/123221847

版权

群体智能专栏收录该内容

44 篇文章

订阅专栏

在这里插入图片描述

获取更多资讯，赶快关注上面的公众号吧！

文章目录

生物学泛型
数学模型
- 迁徙（探索）
- 攻击（利用）

海鸥优化算法是印度学者Gaurav Dhiman于2018年提出的一种受生物启发的智能优化算法，该算法的主要灵感来自于自然界中海鸥的迁徙和攻击行为，这些行为经过数学建模和实现，可以在给定搜索空间中进行探索和利用。扫码关注公众号，后台回复“海鸥”或“SOA”可以获取Matlab代码。

生物学泛型

一般来说，海鸥是群居性的，它们用自己的智慧来寻找并攻击猎物。海鸥最重要的是它们的迁徙和攻击行为。迁徙被定义为海鸥从一个地方到另一个地方的季节性迁移，以寻找最丰富食物来源，以提供足够的能量。该行为可描述为：

在迁徙过程中，它们成群结队地迁徙。海鸥的初始位置不同，以避免相互碰撞；
在一个群体中，海鸥可以朝着最适合生存的海鸥的方向前进；
其他海鸥可以根据最适合的海鸥更新它们的初始位置。

海鸥在迁徙过程中，会经常攻击其他候鸟，在攻击过程中，它们可以做出螺旋形的自然运动，如图1所示。

图1 海鸥的迁徙和攻击行为

数学模型

迁徙（探索）

在迁移过程中，海鸥优化算法模拟了海鸥群如何向一个位置移动到另一个位置。在这个阶段，海鸥应该满足三个条件:

避免碰撞：为了避免与邻居(即其他海鸥)的碰撞，引入了额外的变量 $A$ ,用于计算新搜索代理的位置，如图2所示：
$\vec{C}_{s}=A \times \vec{P}_{s}(x)\tag{5}$

其中， $\vec{C}_{s}$ 表示与其他搜索代理不发生碰撞的搜索代理的位置， $\vec{P}_{s}$ 表示搜索代理的当前位置， $x$ 表示当前迭代次数， $A$ 表示给定搜索空间中搜索代理的移动行为。
$A=f_{c}-\left(x \times\left(f_{c} / \text { Max }_{\text {iteration }}\right)\right)\tag{6}$
where: $\ldots$ , Max $_{\text {iteration }}$
其中引入 $f_c$ 是为了控制采用变量 $A$ 的频率，使其从 $f_c$ 线性递减至0。 $f_c$ 可以设置为2。

朝最优的邻居方向移动：在邻居避免碰撞之后，搜索代理朝着最优邻居的方向移动,如图3所示：
$\vec{M}_{S}=B \times\left(\overrightarrow{P_{b s}}(x)-\vec{P}_{S}(x)\right)\tag{7}$

其中 $\vec{M}_{S}$ 表示搜索代理 $\vec{P}_{S}$ 与最优搜索代理 $\overrightarrow{P_{b s}}$ 的相对位置。 $B$ 的行为是随机的，这是为了在探索和开发之间取得适当的平衡, $B$ 的计算公式为:
$\times A^{2} \times r d\tag{8}$
其中 $r d$ 是[0,1]范围内的随机数。

靠近最优搜索代理：最后，搜索代理可以根据最优搜索代理更新自己的位置，如图4所示。
$\vec {D_s}=|\vec {C_s}+\vec {M_s}|\tag{9}$
其中 $\vec {D_s}$ 表示搜索代理与最优搜索代理之间的距离。

攻击（利用）

海鸥在迁徙过程中可以不断改变攻击角度和速度，并利用翅膀和重量来保持高度。当攻击猎物时，会在空中形成螺旋运动，如图5所示。

在 $x, y, z$ 平面内的行为可以描述为：
$x^\prime=r\times cos(k)\tag{10}$

$y^\prime=r\times sin(k)\tag{11}$

$z^\prime=r\times k\tag{12}$

$r=u\times e^{kv}\tag{13}$

其中， $r$ 为螺旋每一圈的半径， $k$ 是 $[0\le k \le 2\pi]$ , $u$ 和 $v$ 是定义螺旋形状的常量， $e$ 是自然对数的底。搜索代理更新后的位置计算如下：
$\vec{P}_s(x)=(\vec{D_s}\times x^\prime \times y^\prime \times z^\prime)+\vec{P}_{bs}(x)\tag{14}$