白骨顶鸡优化算法(Coot Optimization Algorithm,COOT)
一、算法灵感
白骨顶鸡优化算法(Coot Optimization Algorithm, COOT)是2021年提出的一种元启发式优化算法,灵感来源于白骨顶鸡的移动习性。算法对白骨顶鸡种群进行了层级划分,适应度值高者为种群领导者,其余为跟随者。跟随者具有两种位置更新方式,分别为主动更新和被动更新。主动更新过程中,跟随者根据链式运动或随机运动更新位置,并不依赖领导者;在被动更新过程中,跟随者需要向领导者方向发生靠拢。种群需要朝着最佳区域前进,因此在跟随者向领导者靠拢的同时,领导者也要同时不断调整自身位置向最优区域靠近。图1展示了白骨顶鸡的具体移动过程。
二、算法介绍
2.1 初始化
在COOT中,初始化白骨顶鸡种群位置的计算公式如下:
C
o
o
t
P
o
s
(
i
)
=
r
a
n
d
(
1
,
dim
)
.
∗
(
u
b
−
l
b
)
+
l
b
(1)
CootPos{{(}}i{{)}} = {{rand(}}1,\dim{{)}}.*{{(}}ub - lb{{)}} + lb \tag{1}
CootPos(i)=rand(1,dim).∗(ub−lb)+lb(1)其中,
C
o
o
t
P
o
s
(
i
)
CootPos(i)
CootPos(i) 表示第i只白骨顶鸡的位置,
u
b
ub
ub 和
l
b
lb
lb 分别表示搜索空间的上界和下界,
r
a
n
d
rand
rand 为
0
0
0 到
1
1
1 之间的随机数,
d
i
m
dim
dim 表示维度。
从白骨顶鸡种群中随机选取
N
L
NL
NL 只白骨顶鸡作为领导者,记为
L
e
a
d
e
r
P
o
s
LeaderPos
LeaderPos,剩余的
N
c
o
o
t
Ncoot
Ncoot 只白骨顶鸡为跟随者,记为
F
o
l
l
o
w
P
o
s
FollowPos
FollowPos,
N
L
NL
NL 和
N
c
o
o
t
Ncoot
Ncoot 的计算公式如下:
N
L
=
N
p
o
p
×
P
(2)
NL = Npop \times P \tag{2}
NL=Npop×P(2)
N
c
o
o
t
=
N
p
o
p
−
N
L
(3)
Ncoot = Npop - NL \tag{3}
Ncoot=Npop−NL(3)其中,
N
p
o
p
Npop
Npop 为种群数量,
P
P
P 为参数
0.1
0.1
0.1。
2.2 跟随者位置更新(探索阶段)
2.2.1 主动更新
当一个取值范围为 [ 0 , 1 ] [0,1] [0,1] 的随机数 r a n d 1 > 0.5 rand_1>0.5 rand1>0.5 时,白骨顶鸡跟随者将选择主动更新策略,主动更新策略包括两种运动方式,通过一个取值范围为 [ 0 , 1 ] [0,1] [0,1] 的随机数 r a n d 2 rand_2 rand2 来决定选择哪一种运动方式。
2.2.1.1 随机运动
当
r
a
n
d
2
<
0.5
rand_2<0.5
rand2<0.5 时白骨顶鸡跟随者进行随机运动,为了体现运动的随机性,首先在位置空间内生成一个随机位置
Q
Q
Q。其数学公式如下:
Q
=
r
a
n
d
(
1
,
d
)
.
∗
(
u
b
−
l
b
)
+
l
b
(4)
Q = {{rand(}}1,d{{)}}.*{{(}}ub - lb{{)}} + lb \tag{4}
Q=rand(1,d).∗(ub−lb)+lb(4) 然后白骨顶鸡个体会向移动到随机生成的位置,其数学公式如下:
F
o
l
l
o
w
P
o
s
(
i
)
=
F
o
l
l
o
w
P
o
s
(
i
)
+
A
×
R
1
×
(
Q
−
F
o
l
l
o
w
P
o
s
(
i
)
)
(5)
FollowPos{{(}}i{{)}} = FollowPos{{(}}i{{)}} + A \times {R_1} \times {{(}}Q - FollowPos{{(}}i{{))}} \tag{5}
FollowPos(i)=FollowPos(i)+A×R1×(Q−FollowPos(i))(5)其中,
F
o
l
l
o
w
e
r
P
o
s
(
i
)
FollowerPos(i)
FollowerPos(i) 表示第i个跟随者的位置,
R
1
R_1
R1 是区间
[
0
,
1
]
[0,1]
[0,1] 中的随机数,参数
A
A
A 为在
[
0
,
1
]
[0,1]
[0,1] 中线性递减的因子。其计算公式如下:
A
=
1
−
t
×
(
1
/
M
a
x
I
t
e
r
)
(6)
A = 1 - t \times {{(}}1/MaxIter{{)}} \tag{6}
A=1−t×(1/MaxIter)(6)其中,
t
t
t 是当前迭代次数,
M
a
x
I
t
e
r
MaxIter
MaxIter 是最大迭代次数。
2.2.1.2 链式运动
当
r
a
n
d
2
>
0.5
rand_2>0.5
rand2>0.5 时,执行链式运动,算法将相邻两只白骨顶鸡的中间位置用于实现链式运动。其数学公式如下:
F
o
l
l
o
w
P
o
s
(
i
)
=
0.5
×
(
F
o
l
l
o
w
P
o
s
(
i
−
1
)
+
F
o
l
l
o
w
P
o
s
(
i
)
)
(7)
FollowPos{{(}}i{{)}} = 0.5 \times {{(}}FollowPos{{(}}i - 1{{)}} + FollowPos{{(}}i{{))}} \tag{7}
FollowPos(i)=0.5×(FollowPos(i−1)+FollowPos(i))(7)其中,
F
o
l
l
o
w
P
o
s
(
i
−
1
)
FollowPos(i-1)
FollowPos(i−1) 是上一只白骨顶鸡跟随者的位置。
2.2.2 被动更新
当
r
a
n
d
1
<
0.5
rand_1<0.5
rand1<0.5 时,白骨顶鸡跟随者选择领导者引导更新位置。通常情况下,种群由前面的几只白骨顶鸡领导,其他个体必须根据领导者调整自己的位置,并向它们移动。为了实现这一运动利用式(8)的机制选择领导者。
k
=
1
+
(
i
)
m
o
d
(
N
L
)
(8)
k = 1 + (i){{mod(}}NL) \tag{8}
k=1+(i)mod(NL)(8)其中,
i
i
i 是跟随者的索引数,
k
k
k 是领导者的索引数,
m
o
d
mod
mod 为取余函数。跟随者随领导者的位置更新公式如下:
F
o
l
l
o
w
P
o
s
(
i
)
=
L
e
a
d
P
o
s
(
k
)
+
2
×
R
2
×
cos
(
2
R
π
)
×
(
L
e
a
d
e
r
P
o
s
(
k
)
−
F
o
l
l
o
w
P
o
s
(
i
)
)
(9)
FollowPos(i) = LeadPos(k) + 2 \times {R_2} \times \cos (2R\pi ) \times (LeaderPos(k) - FollowPos(i)) \tag{9}
FollowPos(i)=LeadPos(k)+2×R2×cos(2Rπ)×(LeaderPos(k)−FollowPos(i))(9)其中,
L
e
a
d
e
r
P
o
s
(
k
)
LeaderPos(k)
LeaderPos(k) 为第
k
k
k 个领导者的位置,
R
R
R 和
R
2
R_2
R2 为区间
[
0
,
1
]
[0,1]
[0,1] 中的随机数,
π
π
π 为圆周率的值。
2.3 领导者位置更新(开发阶段)
L
e
a
d
e
r
P
o
s
(
i
)
=
{
B
×
R
3
×
cos
(
2
R
π
)
×
(
g
B
e
s
t
−
L
e
a
d
e
r
P
o
s
(
i
)
)
+
g
B
e
s
t
R
4
<
0.5
B
×
R
3
×
cos
(
2
R
π
)
×
(
g
B
e
s
t
−
L
e
a
d
e
r
P
o
s
(
i
)
)
−
g
B
e
s
t
R
4
≥
0.5
(10)
LeaderPos(i) = \left\{ \begin{aligned} {B \times {R_3} \times \cos (2R\pi ) \times (gBest - LeaderPos(i)) + gBest\qquad{R_4} < 0.5} \cr {B \times {R_3} \times \cos (2R\pi ) \times (gBest - LeaderPos(i)) - gBest\qquad{R_4} \ge 0.5} \cr \end{aligned}\right. \tag{10}
LeaderPos(i)={B×R3×cos(2Rπ)×(gBest−LeaderPos(i))+gBestR4<0.5B×R3×cos(2Rπ)×(gBest−LeaderPos(i))−gBestR4≥0.5(10)其中,
L
e
a
d
e
r
P
o
s
(
i
)
LeaderPos(i)
LeaderPos(i) 为第
i
i
i 个领导者的位置,
g
B
e
s
t
gBest
gBest 是种群最优位置,
R
3
R_3
R3 和
R
4
R_4
R4 是区间
[
0
,
1
]
[0, 1]
[0,1] 中的随机数,参数
B
B
B 为在
[
0
,
2
]
[0, 2]
[0,2] 中线性递减的因子,
B
B
B 根据公式(11)计算:
B
=
2
−
t
×
(
1
/
M
a
x
I
t
e
r
)
(11)
B = 2 - t \times {{ (}}1/MaxIter) \tag{11}
B=2−t×(1/MaxIter)(11)
2.4 COOT算法的伪代码
- 初始化白骨顶鸡数量 N N N 和最大迭代次数 M a x I t e r MaxIter MaxIter 等
- 根据(2)、(3)式对种群进行层级划分,并对种群进行初始化: C o o t P o s i ( i = 1 , 2 , . . . , N ) CootPos_i (i=1,2,...,N) CootPosi(i=1,2,...,N)
- while t < M a x I t e r t < MaxIter t<MaxIter do
- 分别计算跟随者和领导者的适应度值,并找到适应度值最佳的白骨顶鸡 g B e s t gBest gBest
- For i = 1 i = 1 i=1 to N c o o t Ncoot Ncoot do
- If r a n d 1 > 0.5 rand_1>0.5 rand1>0.5 then
- If r a n d 2 < 0.5 rand_2<0.5 rand2<0.5 then
- 根据式(5)更新跟随者位置
- Else
- 根据式(7)更新跟随者位置
- End If
- Else
- 根据(9)式更新跟随者位置
- End If
- End For
- For i = 1 i = 1 i=1 to N P NP NP do
- 根据(10)式更新领导者位置
- End For
- End While
- 返回吃的最饱的白骨顶鸡(最优解) g B e s t gBest gBest
三、实验结果
COOT在23个经典测试函数(设置维度 d i m = 30 dim=30 dim=30)的F1、F5、F8中的收敛曲线,测试函数公式如下:
函数 | 公式 | 理论值 |
---|---|---|
F1 | F 1 ( x ) = ∑ i = 1 n x i 2 {F_1}(x) = \sum\nolimits_{i = 1}^n {x_i^2} F1(x)=∑i=1nxi2 | 0.00 0.00 0.00 |
F5 | F 5 ( x ) = ∑ i = 1 n − 1 [ 100 ( x i + 1 − x i 2 ) 2 + ( x i − 1 ) 2 ] {F_5}(x) = \sum\nolimits_{i = 1}^{n - 1} {[100{{({x_{i + 1}} - x_i^2)}^2} + {{({x_i} - 1)}^2}]} F5(x)=∑i=1n−1[100(xi+1−xi2)2+(xi−1)2] | 0.00 0.00 0.00 |
F8 | F 8 ( x ) = ∑ i = 1 n − x i sin ( ∣ x i ∣ ) {F_8}(x) = \sum\nolimits_{i = 1}^n { - {x_i}\sin (\sqrt {|{x_i}|} )} F8(x)=∑i=1n−xisin(∣xi∣) | − 418.9829 × d i m -418.9829×dim −418.9829×dim |
3.1 F1收敛曲线
3.2 F5收敛曲线
3.3 F8收敛曲线
四、改进白骨顶鸡优化算法
点这里:改进的白骨顶鸡优化算法(Improved Coot Optimization Algorithm,ICOOT)
五、参考文献
[1] 贾鹤鸣, 智能优化算法及 MATLAB 实现[M], 清华大学出版社, 2024。
[2] Naruei I, Keynia F. A new optimization method based on COOT bird natural life model[J]. Expert Systems with Applications, 2021, 183, 115352.