群体智能优化算法-海洋捕食者优化算法（含Matlab源代码）

1. 文章摘要

海洋捕食者算法（Marine Predators Algorithm，MPA）是一种基于海洋生物捕食行为的智能优化算法。它通过模拟海洋生物在不同捕食阶段（追捕、群体协同、涡流效应等）中的位置更新策略，实现对搜索空间的全局和局部探索。该算法具有简单易实现、参数少且对复杂优化问题具有良好的收敛性能等优点。本文将详细介绍 MPA 的原理，并提供完整的 MATLAB 代码及其中文注释，帮助读者深入理解该算法的实现细节。

2. 算法介绍：Marine Predators Algorithm (MPA)

2.1 算法思路概述

MPA 算法主要模拟海洋捕食者（如鲨鱼、海豹等）在捕食过程中的行为与策略，并将其抽象为以下几个阶段：

1. 初始化（Initialization）

   • 随机生成一定数量的捕食者（搜索个体）的初始位置（解）。
   • 计算它们的目标函数值（适应度），并记录当前全局最优解和最优适应度值。

2. 海洋记忆机制（Marine Memory）

   • 记录上一代捕食者的适应度和位置，若当前个体不优于上一代，则保留上一代的解。

3. 捕食阶段（Predation phases）

   • 阶段 1：前期捕食
     • 使用**布朗运动（Brownian）**或随机飞行（Levy flight）等方式引导捕食者更新位置。
   • 阶段 2：中期捕食
     • 一部分捕食者尝试围绕全局最优解进行更新，另一部分结合随机扰动实现局部搜索。
   • 阶段 3：后期捕食
     • 进一步收敛至当前全局最优解，平衡局部开发与全局探索。

4. 涡流效应（Eddy formation & FADs effect）

   • 在一定概率下，引入相互交换或随机扰动，使得捕食者位置出现突变，以增强跳出局部最优的能力。

5. 更新全局最优（Update Best）

   • 计算每次迭代后所有个体的适应度值，更新全局最优解。
   • 将最优解与其适应度存入收敛曲线，以便观察算法收敛过程。

2.2 算法优点

• 灵感来源于现实生物行为：具备一定生物多样性，提高解的多样性和搜索能力。
• 全局与局部结合：通过多个捕食阶段的策略切换，平衡全局与局部搜索。
• 记忆机制：保存上一代优良个体，可有效避免劣化，维持算法稳定性。

3. 源代码及中文详细注释

以下为 Marine Predators Algorithm (MPA) 的完整 MATLAB 代码：

%  Marine Predators Algorithm source code (Developed in MATLAB R2015a)
%  programming: Afshin Faramarzi & Seyedali Mirjalili
%  paper:
%  A. Faramarzi, M. Heidarinejad, S. Mirjalili, A.H. Gandomi, 
%  Marine Predators Algorithm: A Nature-inspired Metaheuristic
%  Expert Systems with Applications
%  DOI: doi.org/10.1016/j.eswa.2020.113377

function [Top_predator_fit,Top_predator_pos,Convergence_curve]=MPA(SearchAgents_no,Max_iter,lb,ub,dim,fobj)

% MPA 主函数
% 输入:
%   SearchAgents_no: 种群规模 (海洋捕食者个体数)
%   Max_iter: 最大迭代次数
%   lb, ub: 搜索空间上下界 (可为标量或向量)
%   dim: 问题的维度 (决策变量个数)
%   fobj: 目标函数句柄
%
% 输出:
%   Top_predator_fit: 最佳适应度 (全局最优的目标函数值)
%   Top_predator_pos: 对应的最优解 (全局最优捕食者位置)
%   Convergence_curve: 收敛曲线 (记录每次迭代的最优适应度)

Top_predator_pos = zeros(1,dim);  % 存储当前全局最优捕食者位置
Top_predator_fit = inf;           % 存储当前最优适应度值，初始化为无穷大

Convergence_curve = zeros(1,Max_iter);  % 用于记录每次迭代的全局最优适应度
stepsize = zeros(SearchAgents_no,dim);  % 存储捕食者位置更新时的步长
fitness = inf(SearchAgents_no,1);       % 存储所有捕食者的适应度

%===================== 1. 初始化种群 (Prey) =====================%
Prey = initialization(SearchAgents_no,dim,ub,lb);
% Prey 为所有捕食者 (海洋生物) 的位置矩阵, 大小为 (SearchAgents_no x dim)

% 确保上下边界维度与 Prey 一致
Xmin = repmat(ones(1,dim).*lb,SearchAgents_no,1);
Xmax = repmat(ones(1,dim).*ub,SearchAgents_no,1);

Iter = 0;   % 迭代计数器
FADs = 0.2; % 浮游物或渔具引起的扰动概率
P = 0.5;    % 位置更新时采用随机步长的概率权重

%===================== 2. 开始迭代 =====================%
while Iter < Max_iter    
  
  %------------------- (A) 寻找当前最优捕食者 -----------------
  for i = 1:size(Prey,1)  
    % 边界检查
    Flag4ub = Prey(i,:) > ub;
    Flag4lb = Prey(i,:) < lb;    
    Prey(i,:) = (Prey(i,:).*(~(Flag4ub+Flag4lb))) + ub.*Flag4ub + lb.*Flag4lb;   
    
    % 计算适应度
    fitness(i,1) = fobj(Prey(i,:));
    
    % 若当前个体优于全局最优，则更新
    if fitness(i,1) < Top_predator_fit 
      Top_predator_fit = fitness(i,1); 
      Top_predator_pos = Prey(i,:);
    end
  end
  
  %------------------- (B) 海洋记忆保存 (Marine Memory) -------------------
  %   若当前个体适应度不如之前的，就保留之前的解，避免劣化
  if Iter == 0
    fit_old = fitness;    
    Prey_old = Prey;
  end
  
  Inx = (fit_old < fitness);
  Indx = repmat(Inx,1,dim);
  
  Prey = Indx.*Prey_old + ~Indx.*Prey;         % 根据记忆进行选择
  fitness = Inx.*fit_old + ~Indx.*fitness;    
  
  fit_old = fitness;    
  Prey_old = Prey;

  %------------------- (C) 计算 CF，用于位置更新时的缩放 -------------------
  Elite = repmat(Top_predator_pos,SearchAgents_no,1);  % (Eq.10) 将全局最优解扩展成矩阵, 便于矢量运算
  CF = (1 - Iter/Max_iter)^(2 * Iter/Max_iter);         % 缩放因子, 随迭代进行调整
  
  % 生成随机分布：Levy 飞行和正态分布 (Brownian)
  RL = 0.05 * levy(SearchAgents_no,dim,1.5);  % Levy 分布, 用于更新位置
  RB = randn(SearchAgents_no,dim);           % 正态随机数 (Brownian), 也用于位置扰动

  %===================== 3. 捕食过程三个阶段 =====================%
  for i = 1:size(Prey,1)
    for j = 1:size(Prey,2)        
      R = rand();
      
      %------------------ 第 1 阶段 (Eq.12) -------------------
      if Iter < Max_iter/3 
        stepsize(i,j) = RB(i,j) * (Elite(i,j) - RB(i,j)*Prey(i,j));
        Prey(i,j) = Prey(i,j) + P * R * stepsize(i,j);
        
      %------------------ 第 2 阶段 (Eqs. 13 & 14) ------------
      elseif Iter > Max_iter/3 && Iter < 2*Max_iter/3
        if i > size(Prey,1)/2
          % 后半部分个体采用布朗运动
          stepsize(i,j) = RB(i,j)*(RB(i,j)*Elite(i,j) - Prey(i,j));
          Prey(i,j) = Elite(i,j) + P * CF * stepsize(i,j);
        else
          % 前半部分个体采用 Levy 飞行
          stepsize(i,j) = RL(i,j)*(Elite(i,j) - RL(i,j)*Prey(i,j));
          Prey(i,j) = Prey(i,j) + P * R * stepsize(i,j);
        end
        
      %------------------ 第 3 阶段 (Eq.15) --------------------
      else
        stepsize(i,j) = RL(i,j)*(RL(i,j)*Elite(i,j) - Prey(i,j));
        Prey(i,j) = Elite(i,j) + P*CF*stepsize(i,j);
      end
    end
  end
    
  %------------------ (D) 再次检测并更新全局最优 ------------------
  for i = 1:size(Prey,1)
    % 边界处理
    Flag4ub = Prey(i,:) > ub;  
    Flag4lb = Prey(i,:) < lb;  
    Prey(i,:) = (Prey(i,:).*(~(Flag4ub+Flag4lb))) + ub.*Flag4ub + lb.*Flag4lb;
    
    % 计算适应度
    fitness(i,1) = fobj(Prey(i,:));
    
    % 更新全局最优
    if fitness(i,1) < Top_predator_fit 
      Top_predator_fit = fitness(i,1);
      Top_predator_pos = Prey(i,:);
    end
  end
  
  %------------------ (E) 海洋记忆保存，避免劣化 ------------------
  if Iter == 0
    fit_old = fitness;    
    Prey_old = Prey;
  end
     
  Inx = (fit_old < fitness);
  Indx = repmat(Inx,1,dim);
  
  Prey = Indx.*Prey_old + ~Indx.*Prey;
  fitness = Inx.*fit_old + ~Indx.*fitness;
  
  fit_old = fitness;    
  Prey_old = Prey;

  %---------- (F) 涡流 (Eddy) 及 FADs 效应 (Eq.16) ----------
  if rand() < FADs
    % 情况1：在一定概率下，个体位置围绕随机生成的空间点变动
    U = rand(SearchAgents_no,dim) < FADs;
    Prey = Prey + CF*((Xmin + rand(SearchAgents_no,dim).*(Xmax-Xmin)).*U);
  else
    % 情况2：在另一定概率下，随机打乱个体位置形成大幅度迁移
    r = rand();  
    Rs = size(Prey,1);
    stepsize = (FADs*(1-r) + r)*(Prey(randperm(Rs),:) - Prey(randperm(Rs),:));
    Prey = Prey + stepsize;
  end
  
  % 迭代计数器 +1
  Iter = Iter + 1;
  Convergence_curve(Iter) = Top_predator_fit;   % 记录当前迭代最优值
end
end

%=========================== levy 函数 ===========================%
function [z] = levy(n,m,beta)
% levy 飞行: 产生满足 Levy 分布的随机向量
% 输入:
%   n, m: 生成矩阵的维度
%   beta: Levy 指数 (通常取 1.5)
%
% 输出:
%   z: 尺寸为 (n x m) 的 Levy 随机数

    num = gamma(1+beta)*sin(pi*beta/2); % 分子
    den = gamma((1+beta)/2)*beta*2^((beta-1)/2); % 分母

    sigma_u = (num/den)^(1/beta); % Levy 分布中的标准差
    u = random('Normal',0,sigma_u,n,m); 
    v = random('Normal',0,1,n,m);

    z = u./(abs(v).^(1/beta));
end

%=========================== initialization 函数 ===========================%
function Positions=initialization(SearchAgents_no,dim,ub,lb)
% 初始化捕食者种群
% 输入:
%   SearchAgents_no: 个体数量
%   dim: 维度
%   ub, lb: 搜索空间上下界 (可为向量)
% 输出:
%   Positions: 大小 (SearchAgents_no x dim) 的随机位置矩阵

Boundary_no= size(ub,2); % 检查边界是否是标量

% 如果上下界是单个数值
if Boundary_no==1
     Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end

% 如果上下界是向量 (多维问题)
if Boundary_no>1
    for i=1:dim
        ub_i=ub(i);
        lb_i=lb(i);
        Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;      
    end
end
end

4. 总结

海洋捕食者算法（MPA）通过模拟真实海洋生物的捕食过程，将记忆机制与多阶段搜索策略相结合，在保持解多样性的同时不断提高搜索精度。此外，算法引入了涡流效应和布朗/Levy 飞行，为个体提供了跳出局部最优的机会。该算法简单易实现、适用性强，对于高维非线性优化问题也展现了良好性能。读者可在此代码基础上根据实际需求进一步扩展或改进，以应用到更多实际优化场景中。