捕鱼优化算法（Catch Fish Optimization Algorithm，CFOA）（原文作者）

---

提示：本文使用的是评价次数的代码。

前言

  捕鱼优化算法（Catch Fish Optimization Algorithm，CFOA）是2024年6月提出的一种元启发式优化算法。CFOA是受传统农村捕鱼方法的启发，提出三种捕获阶段的独立搜索、小组合作和集体围捕。算法先由独立搜索向小组合作转变，最后转变成集体捕获。其中，独立搜索和小组合作捕获为捕鱼优化算法的探索阶段，集体捕捞是捕鱼优化算法的开发阶段。CFOA具有较好的探索和开发能力，在CEC2014和CEC2020有着良好的优化效果。

---

一、捕鱼优化算法的实现

  CFOA算法的探索阶段受捕获率影响，在捕鱼开始时，鱼类最丰富，捕获率最高，但随着渔民捕获的鱼类数量逐渐减少，导致捕获率下降。因此在探索阶段，捕获率高则渔民（即搜索代理）着重于独立搜索，根据全局搜索空间中其他渔民的探索情况中学习进行探索。随捕获率下降，渔民们转而依靠小组捕获来对当地地区进行更集中和更彻底的探索。最后，在开发阶段，算法利用集体捕获和协同开发来细化和收敛到最优解。通过捕获率提高算法的探索和前期开发能力，最后使用集体围捕寻求更优质的解，使捕鱼优化算法具有更好的优化效果，能够更快的寻找到一个优异的适应度值。下面是捕鱼优化算法的具体介绍。

1. 初始化阶段

  元启发式算法通过搜索代理不断更新位置来探索全局情况，最终找到最佳的解决方案。在CFOA中，每个渔民对应一个搜索代理，其模型如下：
$$Fisher={\left[\begin{array}{cccc}lFishe{r}_{1,1}& Fishe{r}_{1,2}& \cdots & Fishe{r}_{1,n}\\ Fishe{r}_{2,1}& Fishe{r}_{2,2}& \cdots & Fishe{r}_{2,n}\\ ⋮& ⋮& \ddots & ⋮\\ Fishe{r}_{n,1}& Fishe{r}_{n,2}& \cdots & Fishe{r}_{n,n}\end{array}\right]}_{N\times d}$$Fisher是一个维数为d的空间中N个搜索代理的位置信息的综合矩阵，其初始化公式如下：
$$Fishe{r}_{i,j}=\left(u{b}_j-l{b}_j\right)\times r+l{b}_j$$$Fishe{r}_{i,j}$是第i个渔夫在第j维上的位置，$u{b}_j$和$l{b}_j$是第j维的上界和下界，$r$是一个介于（0,1）之间的随机数。 基于每个渔民的当前位置信息，我们使用适应度值评估函数fobj来计算他们的适应度值，得到以下适应度值矩阵：
$$fit=\left[\begin{array}{l}fi{t}_1\\ fi{t}_2\\ ⋮\\ fi{t}_n\end{array}\right]$$其中lbj表示第j维的下界，$u{b}_j$表示第j维的上界，$r$是[0,1]的随机数。

2. 探索阶段

  在探索过程中，渔民最初注重独立搜索和干扰水域，以确立其优势，以群体包围作为辅助搜索方法。随着搜索工作的进行，环境优势逐渐从鱼的一侧转向渔民的一侧。在搜索过程中持续捕获鱼类会导致鱼类数量的减少，随后导致捕获率的下降。然后，渔民从独立探索转向主要依赖群体包围，以个体优势作为辅助作用。该模式中的转换使用捕获速率参数进行模拟，表示为α。
$$\alpha ={\left(1-\frac{3\times EFs}{2\times MaxEFs}\right)}^{\frac{3\times EFs}{2\times MaxEFs}}$$$EFs$是当前评估的数量，而$MaxEFs$是评估的最大数量。
  渔民可以在独立搜索或群体捕获之间自由选择，但当捕获率α较高时，渔民的捕获策略倾向于独立搜索，随着α的减少，渔民会切换到群体捕获方法，我们使用随机数（0,1）进行模拟。当$p<\alpha$时，选择独立搜索，当$p\ge \alpha$. 时，选择小组捕获，即（0,1）之间的一个随机数,$p$为概率。

2.1 独立搜索（$p<\alpha$）

  在寻找鱼群的同时，渔民们积极地干扰周围的水域，创造浑浊的环境。浑浊的环境迫使鱼伸出头来呼吸或释放气泡，从而在水面上产生涟漪。每个渔民都有一定程度的捕鱼经验，可以根据水面上的变化，独立地确定鱼类种群的潜在位置。它们会根据对他人的捕捉情况来调整探索的方向和位置。如果它们所在位置的捕获情况与参考捕获情况相似，则它们专注于本地勘探。如果参考捕获情况有利，它们就会继续向这个方向进行搜索。在个人捕获的良好情况下，他们会进行反向搜索。图1为该方法的示意图。更新公式如下：
$$Exp=\frac{fi{t}_i-fi{t}_{pos}}{fi{t}_{\max }-fi{t}_{\min }}$$$$R=Dis\times \sqrt{\left|Exp\right|}\times \left(1-\frac{EFs}{MaxEFs}\right)$$$$Fishe{r}_{i,j}^{T+1}=Fishe{r}_{i,j}^T+\left(Fishe{r}_{pos,j}^{T+1}-Fishe{r}_{i,j}^{T+1}\right)\times Exp+r_s\times s\times R$$其中，$Exp$是渔民使用任何后数（pos=1，2，…，$N$， $pos$ = $i$）渔民作为参考对象得到的实证分析值，该值的范围为（-1,1）。$fi{t}_{max}$和$fi{t}_{min}$分别是𝑇次完成位置更新后的最差适应度值和最佳适应度值。T表示渔民位置的迭代次数。和表示T次和T+1次迭代后第一个渔民在j维中的位置。rs是一个介于[0，1]之间的随机数。$Dis$是第i个个体和参照物之间的欧氏距离。s是一个维数为d的随机单位向量。移动的主要方向（以渔民到参考人的方向为正方向）和距离。勘探范围R也随Exp的绝对值和当前评价次数的变化而变化，$R$小于或等于$Dis$。
  在图中，左图是准备移动的渔民，右图是随机参考的渔民。棕色范围是渔夫的运动范围，$R$是运动半径。黄色和红色的箭头表示渔民移动的主要方向。蓝色箭头表示渔夫自主搜索的漂移方向。

图1 独立搜索的二维示意图

2.2 小组捕获（$p\ge \alpha$）

  渔民使用渔网来扩大他们的捕鱼能力，并与其他渔民合作。渔民随机由3-4人组成小组，合作并包围可疑点。通过利用每个人独特的移动能力，更精确地探索这个区域。模型和公式如下：
$$Centr{e}_c=mean\left(Fishe{r}_c^T\right)$$$$Fishe{r}_{c,i,j}^{T+1}=Fishe{r}_{c,i,j}^T+r_2\times \left(Centr{e}_c-Fishe{r}_{c,i,j}^T\right)+{\left(1-\frac{2\times EFs}{MaxEFs}\right)}^2\times r_3$$$c$是一组3-4个位置没有更新的个体。$Centr{e}_c$是c群包围的目标点，为图中的红橙色点。和代表了在T和T+1次更新后，$c$组中的第一个渔民在j维中的位置。$r_2$是渔夫接近中心的速度，它因人而异，范围从（0,1）不等。$r_3$为移动的偏移量，取值范围为（-1、1），随着$EFs$的增加而逐渐减小。蓝色箭头是图中渔民移动的最终方向和距离的二维显示。

图2 小组捕获二维图

3.开发阶段

3.1 集体捕获

  在搜索和捕鱼的阶段，一些鱼没有被渔民捕获。但所有的渔民都在统一的策略下进行搜索，并有目的地将流浪鱼和隐藏的鱼驱赶到同一个地方，聚集并包围它们。在诱捕过程中，渔民的分布情况如下：以鱼类种群为中心，从中部到周围区域的聚集程度逐渐稀疏，随着其向外移动，分布范围逐渐减小。该分布如图所示。更新公式如下：
$$\sigma =\sqrt{\left(\frac{2\left(1-\frac{EFs}{MaxEFs}\right)}{\left({\left(1-\frac{EFs}{MaxEFs}\right)}^2+1\right)}\right)}$$$$Fishe{r}_i^{T+1}=Gbest+GD\left(0,\frac{r_4\times \sigma \times \left|mean\left(Fisher\right)-Gbest\right|}{3}\right)$$  其中，$GD$是一个高斯分布函数，总体均值$\mu$为0，总体方差$\sigma$随着评价次数的增加而增加，从1趋于0。在𝑇+1𝑡ℎ更新后的第i个渔夫的位置。均值（$Fisher$）是渔民中心各维度的平均值的矩阵。$Gbest$为全局最优位置，即图中的红色圆圈，$r_4$为{1、2、3}的随机数，分布在三个范围内。

图3 集体捕获分布

二、捕鱼优化算法的流程

CFOA主要关注于优化的两个阶段：探索阶段和开发阶段。算法的流程如下：
步骤1：初始化种群
步骤2：计算适应度值，更新最佳位置和适应度。
步骤3：确定当前阶段是勘探阶段还是开发阶段：
勘探阶段：随机打乱每个渔民的工作顺序，并使用公式（5-7）或（8-9）更新工作位置。
开发阶段：使用公式（10-11）进行位置更新。
步骤4：如果不满足终止条件，则重复步骤2-3。
步骤5：输出最佳位置和适应度值。

三、捕鱼优化算法的在CEC2020测试结果。

3.1 CEC2020部分测试函数描述

名称	公式	维度	变量范围	理论最优
F1	$$F_1(x)=f_1(M(x-o_1))+F_1\ast$$	30	[-100,100]	100
F2	$$F_2(x)=f_{11}(\mathrm{M}(\frac{1000(x-o_{11})}{100}))+F_2\ast$$	30	[-100,100]	1100
F3	$$F_3(x)=f_{10}(M(\frac{600(x-o_7)}{100}))+F_3\ast$$	30	[-100,100]	700

3.2 CFOA在CEC2020的测试效果

四、matlab代码

CFOA的代码已公布，可自行下载，也欢迎大家进行修改Catch Fish Optimization Algorithm

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] Jia, H., Wen, Q., Wang, Y. et al. Catch fish optimization algorithm: a new human behavior algorithm for solving clustering problems. Cluster Comput (2024). https://doi.org/10.1007/s10586-024-04618-w.