#野马优化算法(WHO)
一、理论基础
野马优化算法(Wild Horse Optimizer,WHO)是于2021年提出的一种新型智能优化算法,该算法灵感来源于野马的生活行为。具有寻优能力强,搜索精度高等特点。
1.1 放牧行为
小马驹通常大部分时间都在群中吃草。为了实施放牧行为,我们认为种马是放牧区的中心,群成员围绕着中心(放牧)搜索。我们提出了公式(1)来模拟放牧行为。等式(1)使小组成员以不同半径移动并搜索领队。
X
i
,
G
j
−
=
2
Z
c
o
s
(
2
π
R
Z
)
×
(
S
t
a
l
l
i
o
n
j
−
X
i
,
G
j
)
+
S
t
a
l
l
i
o
n
j
\mathop {X_{i,G}^j}\limits^ - = 2Zcos(2\pi RZ) \times (Stallio{n^j} - X_{i,G}^j) + Stallio{n^j}
Xi,Gj−=2Zcos(2πRZ)×(Stallionj−Xi,Gj)+Stallionj
其中
X
i
,
G
j
X_{i,G}^j
Xi,Gj是当前位置,
S
t
a
l
l
i
o
n
j
Stallio{n^j}
Stallionj是野马中领导者的位置,Z 是由下式计算的自适应结构,R是[−2,2]范围内的均匀随机数.
P
=
R
1
→
<
T
D
R
;
I
D
X
=
(
P
=
=
0
)
P = \overrightarrow {{R_1}} < TDR;IDX = (P = = 0)
P=R1<TDR;IDX=(P==0)
Z
=
R
2
⊗
I
D
X
+
R
3
→
⊗
(
∼
I
D
X
)
Z = {R_2} \otimes IDX + \overrightarrow {{R_3}} \otimes ( \sim IDX)
Z=R2⊗IDX+R3⊗(∼IDX)
其中P是由0和1组成的向量,R1,R3均为[0,1]范围内均匀分布的随机向量,R2为[0,1]内一随机值,IDX是满足条件(P==0)的向量$\overrightarrow {{R_1}} $的索引值,TDR是随着迭代次数增加从1逐渐减小至0的自适应参数。
T
D
R
=
1
−
i
t
e
r
×
(
1
max
i
t
e
r
)
TDR = 1 - iter \times ({1 \over {\max iter}})
TDR=1−iter×(maxiter1)
1.2 野马的交配行为
X
G
,
K
P
=
C
r
o
s
s
o
v
e
r
(
X
G
,
i
q
,
X
G
,
i
z
)
i
≠
j
≠
k
,
p
=
q
=
e
n
d
X_{G,K}^P = Crossover(X_{G,i}^q,X_{G,i}^z)i \ne j \ne k,p = q = end
XG,KP=Crossover(XG,iq,XG,iz)i=j=k,p=q=end
C
r
o
s
s
o
v
e
r
=
M
e
a
n
Crossover = Mean
Crossover=Mean
其中,
X
G
,
K
P
X_{G,K}^P
XG,KP表示种群k中个体p离群后再次进入种群k的个体位置,
X
G
,
i
q
X_{G,i}^q
XG,iq示种群k中个体p离群后再次进入种群q的个体位置,
X
G
,
i
z
X_{G,i}^z
XG,iz表示种群j中个体z离群后再次进入种群q的个体位置。所以很明显,后面括号里的两个位置即为其父母的位置。
1.3 团队领导
领导者主要带领成员前往更合适的栖息地,如果当前组占主导地位,那么就使用这个地区;如果另一个小组占主导地位,他们必须离开该地。使用式(5)来表示该操作。
式中
S
t
a
l
l
i
o
n
G
i
Stallio{n_{Gi}}
StallionGi是当前位置,WH是栖息地位置
1.4 领导者的选拔
随机选择领导者保持算法的随机性。在算法后期根据适应度值选择领导者
二、仿真实验
三、参考文献
[1] Naruei, I., Keynia, F. Wild horse optimizer: a new meta-heuristic algorithm for solving engineering optimization problems. Engineering with Computers 38 (Suppl 4), 3025–3056 (2022).