智能优化算法：食肉植物算法-附代码

智能优化算法：食肉植物算法

1.金豺优化算法简介

食肉植物算法(Carnivorous plant algorithm,CPA)是2022年由Ong Kok Meng等人提出的，该算法模拟了食肉植物在恶劣环境中如何适应和生存的行为能力，如猎食昆虫作为食物和授粉以进行繁殖。

2.金豺优化算法基本原理

2.1 初始化

在食肉植物算法中, 食肉植物种群可以用以下种群矩阵表示:
$$P_{op}=\left[\begin{array}{ccccc}{\text{ Individual }}_{1,1}& \text{ Individual }{}_{1,2}& \cdots & \cdots & {\text{ Individual }}_{1,d}\\ {\text{ Individual }}_{2,1}& \text{ Individual }& \cdots & \cdots & {\text{ Individual }}_{2,d}\\ ⋮& ⋮& ⋮& ⋮& ⋮\\ ⋮& ⋮& ⋮& ⋮& ⋮\\ {\text{ Individual }}_{1,d}& {\text{ Individual }}_{2,d}& \cdots & \cdots & {\text{ Individual }}_{n,d}\end{array}\right]\text{\hspace{1em}(1)}$$
式中: $POP$ 为食肉植物的种群矩阵; $N$ 为食肉植物的种群数量; $d$ 为求解问题的维度。
食肉植物种群初始化数学描述如下:
$${\text{ Individual }}_{i,j}=L{b}_j+\left(U{b}_j-L{b}_j\right)\times \text{ rand }\text{\hspace{1em}(2)}$$
式中: Individual ${}_{i,j}$ 为第 $i$ 个食肉植物的第 $j$ 维的位置; rand 是 $[0,1]$ 范围内的随机数; $U{b}_j$ 和 $L{b}_j$ 分别是求解问题的第 $j$ 维的上下边界。

在食肉植物算法中，求解问题的目标函数可以用来计算食肉植物的适应度值；食肉植物种群的适应度值可以用适应度值向量表示:
$$Fit=\left[\begin{array}{ccccc}f({\text{ Individual }}_{1,1}& \text{ Individual }{}_{1,2}& \cdots & \cdots & \text{ Individual }{}_{1,d})\\ f{\text{ Individual }}_{2,1}& \text{ Individual }& \dots & \cdots & \text{ Individual }{}_{2,d})\\ ⋮& \cdots & & & \\ & ⋮& & & \\ f(\text{ Individual }{}_{1,d}& \text{ Individual }{}_{2,d}& \cdots & \cdots & \text{ Individual }{}_{n,d})\end{array}\right]\text{\hspace{1em}(3)}$$
式中: Fit 为食肉植物种群的适应度值向量; $f(\text{ Individual }{)}_i$ 为第 $i$ 个食肉植物的适应度值。

2.2 分类与分组

接下来，将公式（1）中每个食肉植物个体，根据其适应度值的大小，按照升序排序（考 虑最小化问题）。选择种群中前 nCPlant 个候选解作为食肉植物（CP），种群中余下的 $n$ Prey 侯选解作为猎物（Prey）。适应度排序矩阵和种群总体排序矩阵可以公式（4）和（5）来描 术。
$$Sorted\_Fit=\left[\begin{array}{c}{f}_{CP(1)}\\ f_{CP(2)}\\ ⋮\\ f_{CP(n\text{ CPlant })}\\ f_{\text{Prey }(n\text{ CPlant }+1)}\\ f_{\text{Prey }(n\text{ CPlant }+2)}\\ ⋮\\ f_{\text{Prey (nCPlant }+nprey)}\end{array}\right]\text{\hspace{1em}(4)}$$
Sorted_Pop
$$=\left[\begin{array}{ccccc}C{P}_{1,1}& C{P}_{1,2}& \cdots & \cdots & C{P}_{1,d}\\ C{P}_{2,1}& C{P}_{2,2}& \cdots & \cdots & C{P}_{2,d}\\ ⋮& ⋮& ⋮& ⋮& ⋮\\ C{P}_{nCPlant,1}& C{P}_{nCPlant,2}& \cdots & \cdots & C{P}_{nCPlant,d}\\ {\text{ Prey }}_{n\text{ CPlant }+1,1}& {\text{ Prey }}_{nC\text{ Plant }+1,2}& \cdots & \cdots & {\text{ Prey }}_{nCPlant+1,d}\\ {\text{ Prey }}_{n\text{ CPlant }+2,1}& {\text{ Prey }}_{n\text{ CPlant }+2,2}& \cdots & \cdots & {\text{ Prey }}_{nC\text{ Clant }+2,d}\\ ⋮& ⋮& ⋮& ⋮& ⋮\\ {\text{ Prey }}_{nC\text{ Clant }+n\text{ Prey },1}& {\text{ Prey }}_{nC\text{ Plant }+n\text{ Prey },2}& \cdots & \cdots & {\text{ Prey }}_{nCPlant+n\text{ Prey },d}\end{array}\right]\text{\hspace{1em}(5)}$$
分组的过程需要模拟每一个食肉植物及其猎物的环境。在分组过程中，将最优适应度值的猎物分配给排名第一的食肉植物。同样地，排名第二和第三的猎物分别分配到排名第二和第三的食肉植物。这个过程不断重复，直到排名第nCPlant的猎物分配到排名第nCPlant的食肉植物。然后，将排名第nCPlant+1的猎物分配为排名第一的食肉植物，以此类推。这种分组是至关重要的，可以减少捕食许多劣质猎物的可能性，这将有助于食肉植物的生长。

2.3 生长（勘探阶段）

由于土壤营养不良，食肉植物会吸引、诱捕和消化猎物以供它们生长。猎物会被食肉植物的甜味引诱到，但它们可能会间歇性地成功地逃脱食肉性植物的控制。在这里，引入一个吸引率的概念。

对于每一分组，我们都会随机选择一个个体作为猎物。如果吸引率大于一个随机产生的数，猎物就会被食肉植物捕获并消化以促进生长。这种新的食肉植物的生长模型如下：
$$\text{ New }C{P}_{i,j}=\text{ growth }\times C{P}_{i,j}+(1-\text{ growth })\times {\text{ Prey }}_{v,j}\text{\hspace{1em}(6)}$$

$$\begin{array}{rl}& {\text{ growth }}^{\text{growth }}\text{ rate }\times {\text{ rand }}_{i,j}\end{array}\text{\hspace{1em}(7)}$$

式中: $C{P}_{i,j}$ 为排名第 $\dot{r}$ 个食肉植物的位置; $Pre{y}_{v,j}$ 为随机选择猎物的位置; growth_rate 为预先定义的值; rand 是 $[0,1]$ 范围内的随机数; 在 CPA 算法中, 在每一分组中只有一个食 肉植物, 而猎物的数量必须超过 2 个。在大多数情况下, CPA 算法的吸引率设为 $0.8$ 。
$$\text{ NewPrey }\text{ Pi,j }=\text{ growth }\times {\text{ Prey }}_{u,j}+(1-\text{ growth })\times {\text{ Prey }}_{v,j},u\ne v\text{\hspace{1em}(8)}$$

$$growth=\{\begin{array}{l}growth\_rate\times ran{d}_{i,j},f(Pre{y}_v)<f(Pre{y}_u)\\ 1-growth\_rate\times ran{d}_{i,j},f(Pre{y}_v)>f(Pre{y}_u)\end{array}\text{\hspace{1em}(9)}$$

式中: Prey $y_{u,j}$ 为另一个在第 im个分组中随机选择猎物的位置; 食肉植物和猎物的生长过程不断重复, 直到达到一个预定义的迭代次数, group_itep。

2.4 开发阶段

食肉植物吸收猎物体内的营养物质, 并利用这些营养物质进行生长和繁殖。对于繁殖, 只有排名第一的食肉植物, 即种群中最好的解决方案, 才被允许繁殖。这是为了确保在 CPA 算法的开发阶段, 只关注最优的解决方案。可以避免对其他解决方案的非必要的利用, 从而 节省了计算成本。排名第一的食肉植物的繁殖过程建模为:
$$\text{ New }C{P}_{i,j}=\text{ growth }\times C{P}_{i,j}+(1-\text{ growth })\times {\text{ Prey }}_{v,j}\text{\hspace{1em}(10)}$$

$$\begin{array}{r}\text{ growth }=growth\_rate\times {\text{ rand }}_{i,j}\end{array}\text{\hspace{1em}(11)}$$

式中: $C{P}_{1,j}$ 为排名第 1 的食肉植物的位置, 即最优解; $C{P}_{v,j}$ 为随机选择猎物的食肉植物的位置; Reproduction_rate 为开发阶段预先定义的值。该过程重复 ncPrant次。在繁殖过程中, 根据第 $\mathrm{j}$ 个个维度随机重新选择 $\mathrm{v}$ 食肉植物。在生长过程中, 猎物是随机重新选择的, 而不管第 $\mathrm{j}$ 个维度。

2.5 适应度值更新与整合

新产生的食肉植物和猎物与之前的种群结合，形成了一个具有[n+nCPlant(group_iter)+nCPlant]×d维度的新种群。更具体地说，n个个体、nCPlant(group_iter)个个体和nCPlant个个体分别是来自原始种群、生长过程和繁殖过程的个体。随后，根据新一组个体的适应度值按升序排序。然后从这一组中选择排名前n名的个体作为新的候选解。因此，这种精英选择策略确保了适合的方案被选择，并在下一代繁殖。

3.实验结果

4.参考文献

[1] Ong K M , Ong P , Sia C K . A carnivorous plant algorithm for solving global optimization problems[J]. Applied Soft Computing, 2020, 98(April):106833.

5.Matlab代码