智能优化算法：鼠群算法

智能优化算法：鼠群算法

摘要：鼠群优化（Rat swarm optimization，RSO）算法是于2020年提出的一种寻优精度高、全局搜索性能强的新型仿生群体智能算法。

1.算法原理

鼠群算法主要通过追逐猎物、攻击猎物两个过程实现待优化问题的求解。

1.1 追逐猎物

​ 老鼠是群居动物，它们通过群居竞争行为来追逐猎物。为从数学上定义这种行为，假设最好老鼠搜索个体知道猎物的位置，其他老鼠体可以更新当前位置来获得最佳搜索位置。老鼠追逐猎物数学描述如下：
$$P(t)=A\ast P_i(t)+C\ast (P_r(t)-P_i(t))\text{\hspace{1em}(1)}$$

$$A=R-t\ast (R/T)\text{\hspace{1em}(2)}$$

式中， $P$表示当前猎物位置； $P_i(t)$表示第 $i$ 只老鼠第$t$次迭代位置； $A$​ 表示勘探参数，$R$​表示[1,2]范围内随机数， $T$​表示最大迭代次数； $C$​表示开发参数，$C=2\ast rand()$ ， $rand()$ 表示[0,1]范围内随机数；$P_r(x)$​表示当前迭代所处最佳老鼠个体位置。

1.2 攻击猎物

为从数学上定义老鼠攻击猎物过程，提出以下数学表达式：
$$P_i(t+1)=|P_r(t)-P|\text{\hspace{1em}(3)}$$
式中，$P_i(t+1)$表示第$i$只老鼠第$t+1$次迭代更新位置；其他参数意义同上。

勘探和开发之间良好平衡是评估优化算法优化性能优劣的重要标志。勘探是在给定的搜索空间中探索有希望获得最优解的不同区域；而开发则是围绕有希望获得最优解的不同区域搜索最优解。RSO 算法主要通过自动调整勘探参数 A 和开发参数 C 来获得勘探和开发之间的良好平衡，从而获得算法最优解。

2.算法结果

3.参考文献

[1] Gaurav D, Meenakshi G, Atulya N, Vijay K, Mohammad D. A Novel Algorithm for Global Optimization: Rat Swarm Optimizer[J]. Jounral of Ambient Intelligence and Humanized Computing, 2020(6).

[1]杨琼波,崔东文.WPD-RSO-ESN和SSA-RSO-ESN模型在径流时间序列预测中应用比较[J/OL].中国农村水利水电:1-7[2021-10-22].http://kns.cnki.net/kcms/detail/42.1419.TV.20210722.1128.014.html.

4.Matlab代码