智能优化算法：旗鱼优化算法-附代码

2019智能优化算法：旗鱼优化算法-附代码

摘要：旗鱼优化器（Sailed fish Optimizer，SFO）是于2019提出的一种新型优化算法，具有寻优能力强，收敛快的优点。

1.算法原理

旗鱼优化器（SFO），它的灵感来自一群捕猎的旗鱼。这一方法由两个方面组成，一是加强对目前为止最佳群体的搜索，二是沙丁鱼种群的多样性搜索空间。

1.1初始化

旗鱼算法初始化包括旗鱼的初始化和沙丁鱼的初始化。其初始化是在给定的搜索空间内随机初始化。其中旗鱼种群用$X_{SF}$表示，沙丁鱼种群用$X_F$表示。初始化后，其中旗鱼适应度值最好的种群用$X_{eliteSF}$表示。沙丁鱼适度值最好的种群用$X_{injuredS}$表示。

1.2 旗鱼位置更新

旗鱼的位置更新用下式表示：
$$X_{newSF}^i=X_{eliteSF}^i-{\lambda }_i\ast (rand(0,1)\ast (\frac{+X_{eliteSF}^i+X_{injuredS}^i}{2})-X_{oldSF}^i)\text{\hspace{1em}(1)}$$
其中$X_{eliteSF}^i$表示在当前迭代次数i时，旗鱼的最佳位置。$X_{injuredS}^i$表示在当前迭代次数i时，沙丁鱼的最佳位置。其中${\lambda }_i$系数的定义入下：
$${\lambda }_i=2\ast rand(0,1)\ast PD-PD\text{\hspace{1em}(2)}$$

其中PD代表猎物群的密度用如下表达式表示：
$$PD=1-\frac{N_{SF}}{N_{SF}+N_S}\text{\hspace{1em}(3)}$$
其中$N_{SF},N_S$分别代表旗鱼和沙丁鱼的数量。

1.3 沙丁鱼的位置更新

沙丁鱼的位置更新如下式：
$$X_{newS}^i=r\ast (X_{eliteSF}^i-X_{oldS}^i+AP)\text{\hspace{1em}(4)}$$
其中$X_{eliteSF}^i$表示在当前迭代次数i时，旗鱼的最佳位置。AP代表旗鱼的攻击力度。其计算方式如下：
$$AP=A\ast (1-2\ast Itr\ast e)\text{\hspace{1em}(5)}$$
其中A，e控制控制攻击力度的变换，使A线性变换到0.当AP>0.5时用上式更新沙丁鱼全部位置。当AP<0.5时。更新沙丁部分位置。

部分位置的范围定义如下：
$$\alpha =N_S\ast AP\text{\hspace{1em}(6)}$$

$$\beta =d_i\ast AP\text{\hspace{1em}(7)}$$

其中$\alpha$代表要更新沙丁鱼的数量，$\beta$表示要更新的维度数量。

1.4 综合考虑旗鱼和沙丁鱼的位置

如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼的位置付给旗鱼，并且被移除。
$$X_{SF}^i=X_S^i,iff(Si)<f(S{F}_i)\text{\hspace{1em}(8)}$$
算法流程如下：

Step1. 初始化种群和参数。

Step2.计算旗鱼和沙丁鱼的适应度值，并且记录最优适应度值和位置。

Step3.更新旗鱼位置。更新沙丁鱼位置。如果攻击力度小于0.5，计算$\alpha ,\beta$的值，并且更新部分位置。否则，全部跟新更新沙丁鱼位置。

Step4 . 沙丁鱼，旗鱼位置替换。

Step5.计算所有适应度值，并更新记录最优适应度值和位置。

Step7.是否满足迭代停止条件，如果满足则输出结果，否则重复Step2 - Step7；

2.算法结果

3.参考文献

[1]S. Shadravan,H.R. Naji,V.K. Bardsiri. The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems[J]. Engineering Applications of Artificial Intelligence,2019,80.

4.Matlab代码

5.Python代码

个人资料介绍