摘要:介绍一种新颖的元启发式优化算法-蚁狮优化算法(Ant Lion Optimizer,ALO)。ALO算法模仿自然界中蚁狮的捕食机制。实现了蚂蚁随机游走、构建陷阱、陷阱中的蚂蚁围捕、捕获猎物和重建陷阱等5个猎物捕获的主要步骤。最后通过测试函数对其性能进行测试,测试函数的结果证明了所提出的算法在改进探索、避免局部最优、利用和收敛方面能够提供非常有竞争力的结果。
1.ALO算法简介
蚁狮优化算法(Ant Lion Optimizer,ALO)作为解决优化问题的另一种方法。顾名思义,ALO算法模仿了自然界中蚁狮捕食蚂蚁的智能行为。蚁狮属于蚁蛉科家族,网翅昆虫。蚁狮的生命周期包括幼虫和成虫两个主要阶段。自然总寿命可达3年,多发生于幼虫。蚁狮在茧中经历变态发育成为成虫。它们大多在幼虫期捕食,成虫期用于繁殖。
它们的名字源于他们独特的狩猎行为和他们最喜欢的猎物。蚁狮幼虫在沙中挖一个锥形坑,沿着圆形路径移动,用其巨大的颚抛出沙子。挖掘诱捕器后,幼虫隐藏在锥的底部下方,并等待昆虫被捕获在坑中。锥体的边缘足够锐利,昆虫容易掉落到诱捕器的底部。一旦蚁狮意识到猎物在陷阱中,它就试图抓住它。然而,昆虫通常不会立即被捕获,并试图从陷阱中逃逸。在这种情况下,蚁狮智能地向坑边抛沙,将猎物滑入坑底。当猎物被夹入颚时,它被拉到土壤下面并被消耗。在捕食猎物后,蚁狮将剩余食物抛出坑外,并对坑进行修正,以便下一次捕食。
2.ALO算法原理
ALO算法模拟了蚁狮与陷阱中蚂蚁之间的相互作用。为了模拟这种相互作用,蚂蚁需要在搜索空间中移动,而蚁狮则被允许捕食它们,并使用陷阱成为更合适的猎人。由于蚁狮在自然界中搜寻食物时是随机运动的,因此选择随机游走来模拟蚁狮的运动:
其中计算累积和,
为最大迭代次数,
表示随机游走的步长,
是如下定义的随机函数:
其中表示随机游走的步长,
是在[0,1]的区间内均匀分布产生的随机数。蚁狮的位置在下面的矩阵中保存并在优化过程中利用: