跳蛛优化算法(Jumping Spider Optimization Algorithm, JSOA)

---

一、理论基础

跳蛛优化算法(Jumping Spider Optimization Algorithm, JSOA) 是由Peraza-Vázquez, H.等人于2021年提出的，该作者还提出了澳洲野狗优化算法(Dingo Optimization Algorithm, DOA))和黑寡妇优化算法(Black Widow Optimization Algorithm, BWOA)。JSOA对跳蛛逼迫、搜索和扑向猎物的捕食策略建立了数学模型。该算法在20个测试函数、4个实际优化问题、比例积分导数(PID)控制器的调谐和选择性谐波消除问题上进行了基准测试。

跳蛛科跳蛛：

1、数学模型

该算法主要对跳珠不同的捕食策略进行数学模型化，包括逼迫攻击、搜索和跳向猎物。此外，还建立了一个表示信息素率的模型。

1.1 策略一：逼迫

当蜘蛛不在可以跳跃抓住猎物的距离内时，它会通过做一些隐蔽的动作靠近猎物，直到它到达一个可以跳跃抓住猎物的距离。逼迫策略可以用匀加速直线运动来表示，速度线性增加或减少。

假设时间为1，初始速度为0，重新定义位置更新公式：

其中，$x$_r为当前个体之外的随机个体。

1.2 策略二：扑向猎物

跳蛛尾随猎物并扑向它。扑向猎物的捕食策略可以表示为抛物线运动，特点为X轴方向为匀速运动，Y轴方向为匀加速运动，可以得到：


类似策略一，将时间设为1，可以得到轨迹方程：

最终位置更新公式为：

其中，$V$₀设为100 mm/sec，$g$设为9.80665 m/s²。

1.3 策略三：搜索猎物

跳蛛在周围环境中进行随机搜索以定位猎物。在该策略中，提出了两个数学函数进行局部和全局搜索。
局部搜索：

其中，$walk$为-2到2之间的伪随机数，$\epsilon$为0到1的正态分布伪随机数。
全局搜索：

其中，$\lambda$为Cauchy随机数（$\mu$为0，$\theta$为1）。

1.4 策略四：跳蛛的信息素率

信息素是一种由个体产生并分泌到外界的化学物质，它被同一物种的其他个体感知到，并引起行为改变。数学模型取自BWOA，根据适应度大小进行归一化。

根据信息素大小确定是否进行位置更新，小于等于0.3则：

其中，$x$_r1和$x$_r2为两个不同个体，$\sigma$为0或1。

2、算法伪代码

伪代码包括两部分，算法1是关于信息素的，算法2为JSOA的。

---

二、总结

1. 该算法与BWOA存在相近之处，可以对比研究；
2. 从算法结构上看，也比较简单，不难理解；
3. 算法改进方面，也不难改进。

---

参考文献

【1】Peraza-Vázquez, H., Peña-Delgado, A., Ranjan, P., Barde, C., Choubey, A., & Morales-Cepeda, A. B. (2021). A Bio-Inspired Method for Mathematical Optimization Inspired by Arachnida Salticidade. Mathematics, 10(1), 102. MDPI AG. Retrieved from https://doi.org/10.3390%2Fmath10010102.

• 关于 JSOA 代码下载，参考 Code
• 关于 JSOA 论文网站，参考 Paper