智能优化算法：跳蛛优化算法-附代码

智能优化算法：跳蛛优化算法

摘要：跳蛛优化算法（Jumping Spider Optimization Algorithm，JSOA）是于2021年提出的一种新型智能优化算法，该算法通过模拟跳蛛的狩猎行为来达到寻优的目的，具有收敛速度快，寻优能力强的特点。

1.算法原理

跳蛛狩猎行为包括：迫害，跳上猎物，搜索猎物，信息素。

1.1 迫害

迫害当蜘蛛不在可以跳跃捕捉猎物的距离内时，它会通过做一些隐秘的动作靠近，直到达到可以跳跃捕捉猎物的距离。迫害策略可以用匀速直线运动来表示，见等式（1）
$$x_i=\frac{1}{2}a{t}^2+v_{o}t\text{\hspace{1em}(1)}$$
其中$x_i$为跟随蜘蛛的位置，$t$是时间，$v_0$是初始速度，a是加速度，$a=\frac{v}{t}$,其中$v=x-x0$。

对于优化算法，每次迭代可以认为为一段时间，设置每次迭代时间为1，初始速度设置为0。因此式（1）可以改写成：
$$x_i(g+1)=\frac{1}{2}\left(\overrightarrow{x_i}(g)-{\vec{x}}_r(g)\right)\text{\hspace{1em}(2)}$$
其中$x_i(g+1)$代表个体迭代后的新位置，$x_i(g)$代表个体当前位置，$x_r(g)$为随机选择个体的位置

1.2 跳上猎物

跳蛛跟着猎物向它扑去。跳蛛的狩猎策略向猎物跳跃可以表示为抛射运动：
$$\begin{array}{l}\overrightarrow{x_i}(g+1)={\vec{x}}_i(g)\tan (\alpha )-\frac{g{\vec{x}}_i^2(g)}{2V_o^2{\cos }^2(\alpha )}\\ \alpha =\frac{\varphi \pi }{180}\end{array}\text{\hspace{1em}(3)}$$
其中$x_i(g+1)$代表个体迭代后的新位置，$x_i(g)$代表个体当前位置，$V_0$设置为$100mm/seg$，$g$是重力加速度（$9.80665m/s^2$）,$\varphi$是0到1之间随机数。

1.3 搜索猎物

跳蛛在周围环境中进行随机搜索，以找到猎物。本文提出了两个数学函数：局部搜索和全局搜索，用于该模型的建模搜索。

局部搜索：
$$\overrightarrow{x_i}(g+1)=\overrightarrow{x_{\text{best }}}(g)+walk\left(\frac{1}{2}-\epsilon \right)\text{\hspace{1em}(4)}$$
其中$x_i(g+1)$代表个体迭代后的新位置，$\overrightarrow{x_{\text{best }}}(g)$是最优个体，walk是(-2,2)之间的均匀随机数。$\epsilon$是(0,1)之间的随机数。

全局搜索：
$$\overrightarrow{x_i}(g+1)=\overrightarrow{x_{\text{best }}}(g)+\left(\overrightarrow{x_{\text{best }}}(g)-\overrightarrow{x_{\text{worst }}}(g)\right)\lambda \text{\hspace{1em}(5)}$$
其中$x_i(g+1)$代表个体迭代后的新位置，$\overrightarrow{x_{\text{best }}}(g)$是最优个体,$\overrightarrow{x_{\text{worst}}}(g)$是最差个体，$\lambda $是[0,1]之间的柯西随机数。

1.4 信息素

信息素是由个体产生并分泌到外部的化学物质，它们是同一物种的其他个体感知的嗅觉，它们引起行为改变。蜘蛛信息素在求偶交配中，起着显著的作用，信息素计算如下：
$$\text{ pheromone }(i)=\frac{{\text{ Fitness }}_{\max }-\text{ Fitness }(i)}{{\text{ Fitness }}_{\max }-{\text{ Fitness }}_{\min }}\text{\hspace{1em}(6)}$$
其中$\text{ pheromone }(i)$为个体i的信息素，${\text{ Fitness }}_{\max }$为最大适应度值，${\text{ Fitness }}_{\min }$为最小适应度值，$\text{ Fitness }(i)$为当前个体适应度值。

当个体的信息素$\le 0.3$时采用下式进行更新：
$$\overrightarrow{x_i}(g)={\vec{x}}_{\text{best }}(g)+\frac{1}{2}\left(\overrightarrow{x_{r_1}}(g)-(-1{)}^{\sigma }\overrightarrow{x_{r_2}}(g)\right)\text{\hspace{1em}(7)}$$
其中$x_i(g)$是搜索个体位置，${\vec{x}}_{\text{best }}$是最优个体位置，$\overrightarrow{x_{r_1}},\overrightarrow{x_{r_2}}$是随机选择的两个不相同的个体。 σ ∈ { 0 , 1 } \sigma\in\{0,1\} σ∈{0,1}

算法伪代码如下：

1: Procedure JSOA
2: Generate the initial population randomly (A set of spiders, search agents)
3: while iteration < Max Number of Iterations do
4: if random < 0.5 then Attack or Search?
5: if random < 0.5 then
6: Strategy 1: Attack by persecution, Equation (2)
7: Else
8: Strategy 2: Attack by jumping on the prey, Equation (3)
9: End if
10: else
11: if random < 0.5 then
12: Strategy 3: Search for prey by local search, Equation (4).
13: else
14: Strategy 3: Search for prey by global search, Equation (5).
15: end if
16: end if
17: Update search agents that have low pheromone rate (computed by Equations (9) and (10)).
See Algorithm 1.
18: Calculate x new , the fitness value of the search agents
19: if x new < x ∗ then
20: x ∗ = x new
21: end if
22: Iteration = Iteration + 1
23: end while
24: Display x ∗ , the best optimal solution
25: End procedur

2.实验结果

3.参考文献

[1] Morales-Cepeda A B . A Bio-Inspired Method for Mathematical Optimization Inspired by Arachnida Salticidade[J]. Mathematics, 2021, 10.

4.Matlab