智能优化算法：金枪鱼群优化算法-附代码

智能优化算法：金枪鱼群优化算法

摘要：金枪鱼群优化算法（Tuna swarm optimization,TSO），是于2021年提出的一种新型智能优化算法，该算法通过模拟金枪鱼群体的觅食行为，来对问题进行寻优。具有寻优能力强，收敛速度快等特点。

1.算法原理

1.1 初始化

与其他智能优化算法一样，金枪鱼种群在搜索空间内随机初始化。
$${\mathbf{X}}_i^{\mathrm{i}\mathrm{n}\mathrm{t}}=\mathbf{r}\mathbf{a}\mathbf{n}\mathbf{d}\cdot (\mathbf{u}\mathbf{b}-\mathbf{l}\mathbf{b})+\mathbf{l}\mathbf{b},i=1,2,\cdots ,NP\text{\hspace{1em}(1)}$$
其中，$X_i^{int}$是第$i$个个体的初始位置，$ub$和$lb$分别是搜索空间的上界和下界，$NP$是金枪鱼种群的数量，$rand$是一个均匀分布的[0,1]内的随机向量。

1.2 螺旋觅食

金枪鱼群通过形成紧密的螺旋来追逐猎物，除了追逐猎物，成群的金枪鱼还相互交换信息。每一条金枪鱼都跟在前一条鱼的后面，因此可以在相邻的金枪鱼之间共享信息。基于上述原理，螺旋觅食策略的数学公式如下：
$${\mathbf{X}}_i^{t+1}=\{\begin{array}{ll}{\alpha }_1\cdot \left(X_{\text{best }}^t+\beta \cdot \left|X_{\text{best }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_i^t,& i=1\\ {\alpha }_1\cdot \left(X_{\text{best }}^t+\beta \cdot \left|X_{\text{best }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_{i-1}^t,& i=2,3,\cdots ,NP\end{array}\text{\hspace{1em}(2)}$$

$${\alpha }_1=a+(1-a)\cdot \frac{t}{t_{\max }}\text{\hspace{1em}(3)}$$

$${\alpha }_2=(1-a)-(1-a)\cdot \frac{t}{t_{\max }}\text{\hspace{1em}(4)}$$

$$\beta =e^{bl}\cdot \cos (2\pi b)\text{\hspace{1em}(5)}$$

$$l=e^{3\cos \left(\left(\left(t_{\max }+1\right)/t\right)-1\right)\pi )}\text{\hspace{1em}(6)}$$

$X_i^{t+1}$是第$t+1$次迭代的第$i$个个体，$X_{best}^t$是当前最佳个体(食物)，${\alpha }_1$ 和 ${\alpha }_2$是控制个体向最佳个体和前一个个体移动趋势的权重系数，$a$是一个常数，用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度，$t$表示当前迭代次数，$t_{max}$表示最大迭代次数，$b$是均匀分布在0到1之间的随机数。当最优个体找不到食物时，盲目跟随最优个体觅食不利于群体觅食。因此，考虑在搜索空间中生成一个随机坐标，作为螺旋搜索的参考点。它使每个个体都能在更广阔的空间里探索，并使TSO具有全局探索能力。具体的数学模型描述如下：
$${\mathbf{X}}_i^{t+1}=\{\begin{array}{ll}{\alpha }_1\cdot \left(X_{\text{rand }}^t+\beta \cdot \left|X_{\text{rand }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_i^t,& i=1\\ {\alpha }_1\cdot \left(X_{\text{rand }}^t+\beta \cdot \left|X_{\text{rand }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_{i-1}^t,& i=2,3,\cdots ,NP\end{array}\text{\hspace{1em}(7)}$$
其中，$X_{rand}^t$是搜索空间中随机生成的参考点。启发式算法通常在早期阶段进行广泛的全局探索，然后逐渐过渡到精确的局部开发。因此，随着迭代次数的增加，TSO将螺旋觅食的参考点从随机个体更改为最优个体。综上所述，螺旋觅食策略的最终数学模型如下：
$${\mathbf{X}}_i^{t+1}=\{\begin{array}{l}\{\begin{array}{ll}{\alpha }_1\cdot \left(X_{\text{rand }}^t+\beta \cdot \left|X_{\text{rand }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_i^t,& i=1\\ {\alpha }_1\cdot \left(X_{\text{rand }}^t+\beta \cdot \left|X_{\text{rand }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_{i-1}^t,& i=2,3,\cdots ,NP\end{array},\text{ if rand }<\frac{t}{t_{\max }}\\ \{\begin{array}{ll}{\alpha }_1\cdot \left(X_{\text{best }}^t+\beta \cdot \left|X_{\text{best }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_i^t,& i=1\\ {\alpha }_1\cdot \left(X_{\text{best }}^t+\beta \cdot \left|X_{\text{best }}^t-{\mathbf{X}}_i^t\right|\right)+{\alpha }_2\cdot {\mathbf{X}}_{i-1}^t,& i=2,3,\cdots ,NP\end{array},\text{ if rand }\ge \frac{t}{t_{\max }}\end{array}\text{\hspace{1em}(8)}$$

1.3 抛物线觅食

金枪鱼除了形成螺旋觅食外，还形成抛物线合作觅食。金枪鱼以食物为参照点形成抛物线形。此外，金枪鱼通过在周围搜索来寻找食物。假设两种方法的选择概率均为50%，则两种方法同时进行。具体的数学模型描述如下：
$${\mathbf{X}}_i^{t+1}=\{\begin{array}{ll}{\mathbf{X}}_{\text{best }}^t+\mathrm{rand}\cdot \left({\mathbf{X}}_{\text{best }}^t-{\mathbf{X}}_i^t\right)+TF\cdot p^2\cdot \left({\mathbf{X}}_{\text{best }}^t-{\mathbf{X}}_i^t\right),& \text{ if rand }<0.5\\ TF\cdot p^2\cdot {\mathbf{X}}_i^t,& \text{ if rand }\ge 0.5\end{array}\text{\hspace{1em}(9)}$$

$$p={\left(1-\frac{t}{t_{\max }}\right)}^{t/t_{\max }}\text{\hspace{1em}(10)}$$

其中，$TF$是一个值为1或−1的随机数。

算法流程图如下：

2.实验结果

3.参考文献

[1] Lei Xie, Tong Han, Huan Zhou, et al. Tuna Swarm Optimization: A Novel Swarm-Based Metaheuristic Algorithm for Global Optimization[J]. Computational Intelligence and Neuroscience, vol. 2021, Article ID 9210050, 22 pages, 2021.

4.Matlab