海鸥优化算法及其matlab代码实现

1 算法概述

        Seagull Optimization Algorithm (SOA)算法主要由两个步骤组成，它们的灵感分别源于海鸥群体的迁移和攻击行为。在迁移的过程中，海鸥个体的位置各不相同，以避免发生碰撞。在攻击过程中，每只海鸥呈现螺旋状攻击猎物。

2 算法步骤

2.1 迁移行为

        海鸥的迁移行为包含避免碰撞、朝着种群中最佳海鸥位置所在的方向移动以及靠近最佳海鸥位置。其中，最佳海鸥位置指当前种群中适应度值最好的海鸥个体所在的位置。模拟海鸥迁移行为的算法分为三步。首先，通过引入一个控制因子A对海鸥的位置进行调节，从而避免海鸥之间发生碰撞。

其中，和分别表示海鸥群体新的位置和当前位置，表示迭代次数。

其中，公式（2）可以避免海鸥个体发生碰撞，是控制参数，为最大的迭代次数。的值随着迭代次数的增加由2线性递减到0。其次，海鸥会朝着当前种群最佳海鸥位置所在的方向移动，即朝着适应度值最好的海鸥个体所在的方向移动，公式为：

其中，是新的海鸥位置，是当前种群中最佳海鸥位置。的计算公式为：

其中，负责平衡局部搜索和全局搜索，是一个0-1之间的随机值。

        最后，海鸥群体会靠近最佳海鸥位置，从而达到新位置。

2.2 攻击行为

        当海鸥发现猎物后，它们在空中呈现出螺旋状态不断改变飞行角度和速度，同时借鉴迁移行为的历史和经验去攻击猎物。该行为在平面上的描述如下：

其中，表示每只海鸥的半径，是之间的随机数，是自然对数的基底。和是常量。海鸥的最终位置被描述为：

2.3 算法伪代码

3 标准测试函数的matlab代码

3.1 种群初始化（init.m）

function Pos=init(SearchAgents,dimension,upperbound,lowerbound)

Boundary= size(upperbound,2); 
if Boundary==1
    Pos=rand(SearchAgents,dimension).*(upperbound-lowerbound)+lowerbound;
end

if Boundary>1
    for i=1:dimension
        ub_i=upperbound(i);
        lb_i=lowerbound(i);
        Pos(:,i)=rand(SearchAgents,1).*(ub_i-lb_i)+lb_i;
    end
end

3.2  目标函数(fun_info.m)

function [lowerbound,upperbound,dimension,fitness] = fun_info(F)


switch F
    case 'F1'
        fitness = @F1;
        lowerbound=-100;
        upperbound=100;
        dimension=30;

    end

end

% F1

function R = F1(x)
    R=sum(x.^2);
end

3.3 SOA核心代码(soa.m)

%%% Designed and Developed by Dr. Gaurav Dhiman (http://dhimangaurav.com/) %%%


function[Score,Position,Convergence]=soa(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)

Position=zeros(1,dimension);
Score=inf; 

Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);

Convergence=zeros(1,Max_iterations);

l=0;

while l<Max_iterations
    for i=1:size(Positions,1)  
        
        Flag4Upper_bound=Positions(i,:)>Upper_bound;
        Flag4Lower_bound=Positions(i,:)<Lower_bound;
        Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound;               
        
        fitness=objective(Positions(i,:));
        
        if fitness<Score 
            Score=fitness; 
            Position=Positions(i,:);
        end
        

    end
    
    
    Fc=2-l*((2)/Max_iterations); 
    
    for i=1:size(Positions,1)
        for j=1:size(Positions,2)     
                       
            r1=rand(); 
            r2=rand(); 
            
            A1=2*Fc*r1-Fc; 
            C1=2*r2; 
            b=1;             
            ll=(Fc-1)*rand()+1;  
       
            D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j)));                   
            X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j);
            Positions(i,j)=X1;
            
        end
    end
    l=l+1;    
    Convergence(l)=Score;
end

3.4 使用SOA测试标准函数F1的结果