群智能算法开发

（Q1 top级，一区级）新算法转让新的元启发式算法转让||一种基于数学开发的元启发式算法||一种基于数学开发的超隐喻的元启发式算法。||新的群智能算法转让，新的元启发式算法转让1.开发完成的完整算法（配完整封装代码）2.灵感部分已完成，有word版本说明 公式mathtype编辑。3.使用cec2017（30、50和100维）和cec2022 20维两个测试集。

本期介绍了基于肺性能的优化（LPO），这是一种新颖高效的算法，灵感来自人体肺部的规则和智能性能。LPO从呼吸系统的复杂机制和适应性中汲取灵感。肺部在氧气交换方面表现出显着的效率，展示了其功能的高水平优化。强制振荡技术测量气压和气流速率，以评估呼吸系统作为电阻抗。阻抗曲线有两个不同的组成部分，呼吸阻力（ZR）和呼吸电抗（ZX），可以从临床和工程角度进行分析，以深入了解呼吸系统的工作原理。

粒子群算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化算法，其思想来源于鸟群寻食和鱼群捕食等自然现象。PSO算法通过模拟群体智能的行为，以一种启发式的方式寻找最优解，因此具有全局搜索能力强、收敛速度快等优点。本文将介绍标准粒子群算法的基本流程、算法实现和应用场景等方面。

(1)在CEC 2017 50维上:24/30个排名第一（算法开发完毕）与AO/AOA/NRBO/FHO/NOA/BA/BWO/OMA/PSA/TSA/MFO/WOA/SCA/SGA/SEA/GWO/GJO(包括高性能和23年新提出的算法).对比了24个算法：24年开发的新算法:LEA/NRBO/AROA。一经售出，不退不换。仅售1份，先到先得。

本期介绍一种求解约束全局优化问题的元启发式搜索算法——吸引-排斥优化算法Attraction–Repulsion Optimization Algorithm,AROA。该算法模拟自然界中发生的吸引-排斥现象相关的平衡。该成果于2024年2月发表在中科院1区SCI期刊 Swarm and Evolutionary Computation（if = 10）。

受到凤头豪猪（CP）各种防御行为的启发，用于精确优化各种优化问题，特别是那些具有大规模攻击的问题。从最不具攻击性到最具攻击性，冠豪猪使用四种不同的保护机制：视觉、声音、气味和物理攻击。第一和第二种防御技术（视觉和声音）反映了CPO的探索行为，而第三和第四种防御策略（气味和物理攻击）反映了CPO的剥削行为。所提出的算法提出了一种称为循环种群减少技术的新策略，以模拟并非所有CP都激活其防御机制，而只激活那些受到威胁的介词。该策略促进了收敛速度和种群多样性。

新算法转让新的元启发式算法（一种基于下山迭代法开发的元启发式算法）一种基于迭代法开发的超隐喻的元启发式算法。新的群智能算法转让，新的元启发式算法。开发完成的完整算法（配完整封装代码）灵感部分已完成，有word版本说明 公式mathtype编辑。测试结果。

在麻雀搜索算法中包含三种类型的麻雀个体，即发现者、跟随者和侦察者，三种类型对应三种行为。发现者在麻雀群体中占有主导地位，在群体中占有的比例一般为10%-20%，负责为整个群体寻找食物并且提供食物的方位和拥有食物的区域。跟随者会一直对发现者监控，一旦发现者找到食物，跟随者会立即跟随发现者去抢夺食物。此外，麻雀能够灵活的在发现者和捕食者之间切换。位于中心的麻雀有时会靠近附近的麻雀，以减少其危险范围。

根据足球队的训练方法，提出了一种新的元启发式优化算法——足球队训练算法（FTTA），它模拟了训练环节的三个阶段：集体训练、团体训练和个人额外训练。通过对CEC2005和CEC2020两组测试函数的测试，所提出的优化算法（FTTA）取得了最好的结果，远远超过了传统的灰狼优化（GWO）、鲸鱼优化算法（WOA）算法等。

粒子群算法（Particle Swarm Optimization，简称PSO）是一种进化计算算法，用于解决优化问题。该算法模拟了鸟群或鱼群中个体之间的协作行为，通过不断调整粒子的位置来搜索问题的最优解。PSO最初由James Kennedy和Russell Eberhart于1995年提出，灵感来自于模拟鸟群或鱼群中个体之间的协作和信息共享。PSO的基本思想是通过调整粒子的速度和位置，使粒子群朝着问题的最优解方向搜索。每个粒子都有一个位置和速度向量，表示其在搜索空间中的位置和前进方向。

本文介绍一种新的全局优化算法——小龙虾优化算法Crayfish optimization algorithm（COA），模拟了小龙虾的避暑行为、竞争行为和觅食行为。该成果于2023年9月最新发表在Artifcial Intelligence Review。COA的灵感来自小龙虾的避暑、竞争、觅食行为。觅食阶段和竞争阶段是COA的开发阶段，避暑阶段是COA的探索阶段。

开发了一种新的元启发式算法——Newton-Raphson-Based优化器（NRBO）。NRBO受到Newton-Raphson方法的启发，它使用两个规则：Newton-Raphson搜索规则（NRSR）和Trap Avoidance算子（TAO）以及几组矩阵来探索整个搜索过程，以进一步探索最佳结果。NRSR使用Newton-Raphson方法来提高NRBO的探索能力，并提高收敛速度以达到改进的搜索空间位置。TAO帮助NRBO避免局部最优a陷阱。

灰狼优化算法（Grey Wolf Optimization，GWO）是一种基于自然界灰狼行为的启发式优化算法。该算法模仿了灰狼群体中不同等级的灰狼间的优势竞争和合作行为，通过不断搜索最优解来解决复杂的优化问题。优点：较强的收敛性能，结构简单、需要调节的参数少，容易实现，存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。缺点：存在着易早熟收敛，面对复杂问题时收敛精度不高，收敛速度不够快灰狼算法实现。

因此，所提出的AO算法的优化过程分为四种方法：用垂直弯腰的高腾空选择搜索空间，用轮廓飞行和短滑翔攻击在发散搜索空间内探索，用低飞行和慢下降攻击在收敛搜索空间内利用，以及用步行和抓取猎物俯冲。接近猎物时，Aquila根据猎物的随机运动在陆地上攻击猎物。在第三种方法（X3）中，当准确指定猎物区域，并且天鹰准备着陆和攻击时，天鹰垂直下降，进行初步攻击以发现猎物反应。是直到第t次迭代的最佳获得解，这反映了猎物的近似位置。是指第i次迭代前猎物的近似位置（最佳获得的解），是t的下一次迭代的解，由第一种搜索方法（