2024年新提出的算法|A novel metaheuristic inspired by horned lizard defense tactics|受角蜥蜴防御策略启发的新型元启发式

本期2024提出的优化算法–角蜥优化算法Horned Lizard Optimization Algorithm，HLOA，该成果于2024年2月发表在中科院2区top SCI期刊 Artificial Intelligence Review。

1、简介

本期介绍了HLOA，一种新的元启发式优化算法，它在数学上模拟了Crypsis、皮肤变暗或变亮、喷血和移动逃跑防御方法。在Crypsis行为中，蜥蜴通过变得半透明来改变颜色，以避免被捕食者发现。角蜥蜴可以变亮或变暗皮肤，这取决于它是否需要减少或增加其太阳热增益。皮肤变暗或变亮策略是通过包括刺激性激素黑色素细胞率（ -MHS）影响这些肤色变化。此外，还从数学上描述了移动到逃避策略。角蜥蜴的射击血液防御机制，被描述为弹丸运动，也被建模。这些策略平衡了在解空间上局部和全局搜索的开发和探索机制。HLOA性能以文献中的63个优化问题、IEEE CEC-2017“约束实参数优化”中提供的测试台问题、10、30、50和100维度的分析以及IEEE CEC-06 2019“100位挑战”中的测试台函数为基准。此外，还研究了来自IEEE CEC2020的三个真实世界约束优化应用程序和两个工程问题，多重重力辅助优化和最优潮流问题。Wilcoxon和Friedman统计测试将HLOA算法结果与最近的十个仿生算法进行了比较。Wilcoxon表明，HLOA比竞争算法更有效地为大多数testbench函数提供了最优解，同时，Friedman统计检验将HLOA排在首位，n维分析表明它在50和100维的约束优化问题上表现更好。

2、数学建模

2.1 策略1:隐藏行为

2.2.1策略1：隐秘行为
Crypsis是一个有机体通过模仿环境的特征，如颜色和纹理，甚至通过变得半透明，使捕食者或猎物难以察觉或识别它们的过程。它是一种适应性行为，帮助生物避免被发现，从而增加它们在野生世界中生存的机会（Ruxton et al.2004）。由于这项工作的范围是基于角蜥蜴，需要注意的是，它的Crypsis方法是通过颜色理论在数学上表示的（Westland et al.2012； Niall 2017）。

另一方面，国际照明委员会（CIE）（Niall 2017）通过每个波长的整个可见光谱（400至700 nm）的发射能量来标准化光源。此外，该组织定义了一个颜色评估系统，例如笛卡尔坐标的Lab系统和极坐标的LCh系统，以计算颜色空间中的颜色。

在Lab系统中，L表示光度，a和b*是色度坐标，如下所示。

2.2 策略2：皮肤变暗或变亮

角蜥蜴可以使其皮肤变亮或变暗，这取决于它是否需要减少或增加其太阳热增益（Sherbrooke和Sherbrooke 1988）。热能遵循与光能相同的守恒定律（Burtt 1981）。因此，它是颜色和温度关系的关键。因此，反射较浅的颜色排斥更多的热量。这样，深色吸收更多的热量，因为它们吸收更多的光能（Burtt 1981）。

2.3策略3：喷血

角蜥蜴通过从眼睛里射出血液来抵御敌人（Middendorf 2001）。射出的血液防御机制可以表示为弹丸运动，如图6所示。为了获得运动方程，我们将弹丸运动分成两个部分，X轴（水平）和Y轴（垂直）：

2.4 策略4：移动逃跑

在这种策略中，角蜥蜴在环境中执行随机快速移动以逃避捕食者Ruxton et al.（2004）.为这种逃避策略的数学建模提出了一个包含局部和全局运动的函数.

2.5策略5:黑色素细胞刺激激素(MSH)率：

角蜥的皮肤上观察到的颜色的快速变化可以归因于温度对MSH皮的影响

Peraza-Vázquez, H., Peña-Delgado, A., Merino-Treviño, M. et al. A novel metaheuristic inspired by horned lizard defense tactics. Artif Intell Rev 57, 59 (2024). https://doi.org/10.1007/s10462-023-10653-7

3、完整代码

（1）2024年新提出的算法|horned lizard defense tactics|受角蜥蜴防御策略启发的新型元启发式