旗鱼优化(SFO)算法(含MATLAB代码)

先做一个声明：文章是由我的个人公众号中的推送直接复制粘贴而来，因此对智能优化算法感兴趣的朋友，可关注我的个人公众号：启发式算法讨论。我会不定期在公众号里分享不同的智能优化算法，经典的，或者是近几年提出的新型智能优化算法，并附MATLAB代码。

 

“很长时间没有更新啦，久等了~

今天推送的旗鱼优化算法是2019年提出的，大家可以用来作为对比算法。”

旗鱼优化算法(Sailfish Optimizer, SFO)的设计源于对海洋中旗鱼捕食沙丁鱼行为的模拟。严格来说，应该叫旗鱼优化器。作者在24个经典的单峰和多峰Benchmark函数上对SFO算法进行了评估，对比了六种不同的元启发式算法。实验结果表明，SFO算法比所有对比算法具有更好的性能。SFO算法的原始参考文献如下：

“Shadravan S, Naji H R, Bardsiri V K. The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems[J]. Engineering Applications of Artificial Intelligence, 2019, 80: 20-34.”

01
灵感来源

SFO算法的灵感源于一群捕猎的旗鱼，模拟的是旗鱼的捕食过程。在自然界中，它们会成群结队地捕猎，如图1所示。下面对攻击过程依次进行介绍：1) 发现猎物后，旗鱼会将其驱赶至水面；2) 到达合适位置后，旗鱼对整个鱼群进行包围；3) 沙丁鱼本身具有很强的机动性，对旗鱼来说非常具有挑战性；4) 在攻击时，旗鱼要么用它的喙进行一次猛烈的攻击，伤害几条沙丁鱼，要么干扰沙丁鱼，使其混乱，破坏它们的阵型；5) 旗鱼的速度是水生脊椎动物中有记录以来最高的，沙丁鱼根本无法避开致命的穿刺伤害。受伤的沙丁鱼一旦与鱼群分离，它们很快就会被旗鱼捕获；6) 旗鱼在开始攻击之前，会改变体色，从通常的蓝银色侧面变暗到几乎黑色。作者基于旗鱼以上的捕猎过程，建立了相应的数学模型，具体可分为交替攻击、捕获猎物和替换位置三个阶段。

图1 旗鱼捕食过程

02
算法设计

与往期推送一样，目前我还不会在公众号里编辑数学公式。因此，这部分内容在Word文档里先写好，然后做成图片，最后导入。

03
计算流程

SFO算法的计算流程如图2所示：

图2 旗鱼优化算法流程图

04
实验仿真

对SFO算法的性能进行简单的测试。将SFO算法用于函数寻优，其MATLAB程序严格按照原始参考文献进行编写。此外，种群规模均为30，最大迭代次数为1000，基准函数采用的是CEC2005测试集。

这里以CEC2005测试集中的单峰函数Sphere (f1)和多峰函数Ackley (f10)为例，展示SFO算法在30维环境下的收敛效果，如图3所示，这里就不再做进一步的分析了。

(a) f1

(b) f10

图3 SFO算法的收敛曲线

05
MATLAB代码

SFO算法的MATLAB代码可通过复制下方链接进入获得。代码严格按照原始参考文献编写，附有详细注释。

（关注公众号：启发式算法讨论）

关于其他智能优化算法的MATLAB代码，可访问我的个人主页查看：

（关注公众号：启发式算法讨论）