智能优化算法（源码）-海鸥优化算法（SOA）

获取更多资讯，赶快关注上面的公众号吧！

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。

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：
  $${\vec{C}}_s=A\times {\vec{P}}_s(x)\text{\hspace{1em}(5)}$$
  

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。
$$A=f_c-\left(x\times \left(f_c/{\text{ Max }}_{\text{iteration }}\right)\right)\text{\hspace{1em}(6)}$$
where: $x=0,1,2,\dots$, 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：
  $${\vec{M}}_S=B\times \left(\overrightarrow{P_{bs}}(x)-{\vec{P}}_S(x)\right)\text{\hspace{1em}(7)}$$

其中${\vec{M}}_S$表示搜索代理${\vec{P}}_S$与最优搜索代理$\overrightarrow{P_{bs}}$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:
$$B=2\times A^2\times rd\text{\hspace{1em}(8)}$$
其中$rd$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。
  $$\overrightarrow{D_s}=|\overrightarrow{C_s}+\overrightarrow{M_s}|\text{\hspace{1em}(9)}$$
  其中$\overrightarrow{D_s}$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：
$$x^{\prime }=r\times cos(k)\text{\hspace{1em}(10)}$$

$$y^{\prime }=r\times sin(k)\text{\hspace{1em}(11)}$$

$$z^{\prime }=r\times k\text{\hspace{1em}(12)}$$

$$r=u\times e^{kv}\text{\hspace{1em}(13)}$$

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：
$${\vec{P}}_s(x)=(\overrightarrow{D_s}\times x^{\prime }\times y^{\prime }\times z^{\prime })+{\vec{P}}_{bs}(x)\text{\hspace{1em}(14)}$$

其中${\vec{P}}_s(x)$保存了最优解并更新其他搜索代理的位置。

提出的SOA首先随机初始化种群，搜索代理在迭代过程中更新其相对于最优搜索代理的位置，完整算法见Algorithm 1。