智能优化算法——蛇优化算法、斑马优化算法

智能优化算法——蛇优化算法和斑马优化算法

智能优化算法的两个关键机制

	PSO	GA	SO	ZOA
信息载体	坐标	染色体	坐标	坐标
寻优策略	个体最佳、惯性、全局最佳	交叉、变异	寻找食物、移动到食物、战斗、交配	寻找食物、逃跑、聚集恐吓

蛇优化算法（SO）¹

基本概念

  SO 是受蛇的交配行为启发的“蛇优化”。
论文的思想是模拟蛇的生活习性：

1. 如果当前蛇没有食物就会去寻找食物（远离一个随机的个体，或者是靠近它）
2. 如果当前蛇有食物，就看当前的天气温度是怎么样的，如果温度是比较的高，将往食物的位置靠近（即向全局最佳适应度靠近）
3. 如果当前蛇有食物且当前的温度比较的低，蛇就比较的活跃，就可能发生战斗或者是进行交配（这个是以一定概率发生的）

蛇的交配行为

  雄性和雌性之间交配的发生受一些因素的控制。蛇在春末夏初温度较低的地方即寒冷地区交配，但交配过程不仅取决于温度，而且取决于食物的供应。如果气温低，食物充足;雄性竞争者会互相争斗以吸引雌性的注意力。雌性可以决定交配与否。如果交配发生，雌性开始在巢或洞穴中产卵，但一旦卵出现，它就离开。

算法流程

斑马优化算法（ZOA）²

  在自然界斑马的群体生活行为中，两类行为最为重要：觅食和防御捕食者的策略。在觅食过程中，一只先锋斑马为其他斑马开辟了前往觅食的道路。因此，群体中的其他斑马在这只先锋斑马的引导下在平原上移动。
  斑马对付捕食者的第一个策略是以“之”字形运动模式逃跑。还有一种是它们聚集在一起，试图迷惑或吓唬捕食者。这两种类型的斑马行为的数学建模是所提出的ZOA设计的基本灵感。

算法流程

斑马算法计算复杂性：$O(N\cdot m\cdot (1+2\cdot T))$.

测试样例

function1：$F_3(x)={{\sum }_{i=1}^{30}{x}_i}^2$   $x_i\in [-100,100]$

 
function2:$F_1(x)={\sum }_{i=1}^{30}{x}_i^4$   $x_i\in [-100,100]$

 
function3:

function4:

滤波器耦合矩阵优化实验

  通过三个智能优化算法（SO、ZO、WO(鲸鱼优化算法³））分别计算了老师给的前两个模型。

Optimization model based on Structure difference

  最佳适应度和算法执行时间如下（1000次迭代）：

  响应图如下：

Optimization model based on Inverse eigenvalue problem (IEP)

  最佳适应度和算法执行时间如下（1000次迭代）：

  响应图如下：

---

1. Hashim, F. A., & Hussien, A. G. (2022). Snake Optimizer: A novel meta-heuristic optimization algorithm.Knowledge-Based Systems, 108320. ↩︎

2. E. Trojovská, M. Dehghani and P. Trojovský, “Zebra Optimization Algorithm: A New Bio-Inspired Optimization Algorithm for Solving Optimization Algorithm,” in IEEE Access, vol. 10, pp. 49445-49473, 2022, doi: 10.1109/ACCESS.2022.3172789. ↩︎

3. Seyedali Mirjalili, Andrew Lewis,The Whale Optimization Algorithm,Advances in Engineering Software,Volume 95,2016,Pages 51-67,ISSN 0965-9978,https://doi.org/10.1016/j.advengsoft.2016.01.008. ↩︎