智能优化算法：猎豹优化算法-附代码

智能优化算法：猎豹优化算法

摘要：CO算法是Mohammad AminAkbari等人于2022年受自然界猎豹狩猎启发而提出一种新型群体智能优化算法。该算法通过模拟猎豹在狩猎过程中搜索、坐等和攻击3种策略来实现位置更新。具有寻优能力强，收敛速度快等特点。

1.猎豹优化算法

1.1 初始化

(1) 初始化。与其他群体智能优化算法类似, CO 算法也 是从种群初始化开始。设在 $d$ 维搜索空间中, 猎豹初始化位置 描述为:
$$X_{i,j}=L{B}_j+\mathrm{rand}\left(U{B}_j-L{B}_j\right)i=1,2,\cdots ,n;j=1,2,\cdots ,d\text{\hspace{1em}(1)}$$
式中: $X_{i,j}$ 为第 $i$ 头猎豹第 $j$ 维位置; $U{B}_j、L{B}_j$ 为第 $j$ 维搜索空间上、下限值; rand 为介于 0 和 1 之间的随机数; $n$ 为猎豹种群 规模; $d$ 为问题维度。

1.2 搜索策略

猎豹在其领地（搜索空间）或周围区域 进行全范围扫描或主动搜索, 以找到猎物。该策略数学描 述为:
$$X_{i,j}^{t+1}=X_{i,j}^t+{\bar{r}}_{i,j}^{-1}\cdot {\alpha }_{i,j}^{t}t=1,2,\cdots ,T\text{\hspace{1em}(2)}$$
式中: $X_{i,j}^{t+1}$ 为第 $i$ 头猎豹第 $t+1$ 次迭代第 $j$ 维位置; $X_{i,j}^t$ 为第 $i$ 头 猎豹第 $t$ 迭代第 $j$ 维位置; ${\bar{r}}_{i,j}$ 为第 $i$ 头猎豹第 $j$ 维呈正态分布的 随机数; ${\alpha }_{i,j}^t$ 为第 $i$ 头猎豹第 $t$ 迭代第 $j$ 维的搜索步长; $T$ 为算法 最大迭代次数。

1.3坐等策略

（3）坐等策略。在搜索模式下, 猎物可能会暴露在猎豹 视野中, 在这种情况下, 猎豹的每一个动作都可能会导致猎 物逃跑。为避免该情况发生, 猎豹采取坐等伏击策略（躺在 地上或躲进灌木丛) 以接近猎物。该策略数学描述为:
$$X_{i,j}^{l+1}=X_{i,j}^t\text{\hspace{1em}(3)}$$
式 (3) 各参数意义同上。该策略不但提高狩猎成功率 (获得取优解), 而且避免 CO 过早收玫。

1.4攻击策略

在 CO 算法中, 每头猎豹都可以根据逃跑 猎物、领头猎豹或附近猎豹的位置来调整自己的位置, 以获 得最佳攻击位置。该策略数学描述为:
$$X_{i,j}^{t+1}=X_{B,j}^t+{\bar{r}}_{i,j}\cdot {\beta }_{i,j}^t\text{\hspace{1em}(4)}$$
式中: $X_{B,j}^t$ 为第 $t$ 迭代第 $j$ 维猎物位置, 即当前最佳位置; ${\bar{r}}_{i,j}$ 为 第 $i$ 头猎豹第 $j$ 维转向因子; ${\beta }_{i,j}^t$ 为第 $i$ 头猎豹第 $t$ 迭代第 $j$ 维交互 因子，反映猎豹之间或猎豹与领头猎豹之间的互动; 其他参 数意义同上。

2.实验结果

3.参考文献

[1] AKBARI M A, ZARE M, AZIZIPANAH-ABARGHOOEE R, et al.The cheetah optimizer: a nature-inspired metaheuristic algorithm for large-scale optimization problems[J]. Scientific reports, 2022, 12(1): 1-20.

[2]李杰,崔东文.若干新型群体智能算法优化高斯过程回归的年降水量预测[J].节水灌溉,2023(07):96-103+109.

4.Matlab

5.python