智能算法之侏儒猫鼬优化算法(DMO)，原理公式详解，附matlab代码

侏儒猫鼬优化算法（Dwarf Mongoose Optimization，DMO）是一种新型群体智能优化算法，该算法是根据侏儒猫鼬的群体觅食行为而提出的优化算法，具有搜索速度快、进化能力强、寻优能力强等特点。该成果于2022年发表在知名SCI期刊Computer methods in applied mechanics and engineering上。该期刊属于TOP顶刊，中科院1区。目前在谷歌学术上有着很高的被引量，共被引577次。

侏儒猫鼬优化算法是模拟侏儒猫鼬半游牧式生活而提出的优化算法，该算法将侏儒猫鼬种群的社会结构分为阿尔法组、侦查组和保姆组，阿尔法组同时进行觅食和寻找睡眠丘。

算法原理

（1）雌性首领的产生

雌性首领在阿尔法组中产生，阿尔法组中每个雌性个体成为首领的概率为  ，数学表达公式如下：  其中  是第  个个体的适应度，  是侏儒猫鼬种群中个体的总数。

（2）阿尔法组成员觅食

阿尔法组成员将共行并进行觅食，食物源的候选位置的数学表达公式如下：  其中  是找到的食物源新位置，  为雌性首领的当前位置，  是均匀分布在[-1,1]之间的随机数，本例选取  为 2，  是阿尔法组中的随机个体。

（3）保姆交换条件

保姆交换条件是用于重置阿尔法组和保姆组中的猫鼬个体。当阿尔法组成员未能搜寻到合适的食物时，认为阿尔法组成员能力不足，将交换阿尔法组和保姆组的成员。交换条件满足后，阿尔法组将同时进行觅食和寻找睡眠丘，计算公式如下：  其中  为交换后个体的新位置，  和  分别为搜索空间的上界和下界，  是0到1之间的随机数。

睡眠丘是猫鼬休息的场所，而猫鼬不会回到之前的睡眠丘，这种生活模式能够避免搜索区域被过度开发的问题。新搜寻到的睡眠丘的数学模型如下：  其中Xsm为新的睡眠丘的位置，  是决定猫鼬移动到新睡眠丘的方向向量，  是睡眠丘的平均值，计算公式如下：      其中  代表睡眠丘值,其数学表达公式如下： 

其中  是第  个个体的适应度，这里是让后一个个体适应度减去前一个。

CF表示猫鼬种群移动能力的参数，它会随着迭代次数线性递减，计算公式如下: 其中t为当前迭代次数，T为最大迭代次数。

 结果展示

以为CEC2005函数集为例，进行结果展示：

 MATLAB核心代码

function [BEF,BEP,BestCost]=DMOA(nPop,MaxIt,VarMin,VarMax,nVar,F_obj)
%nVar=5;             % Number of Decision Variable
VarSize=[1 nVar];   % Decision Variables Matrix Size
%VarMin=-10;         % Decision Variables Lower Bound
%VarMax= 10;         % Decision Variables Upper Bound
%% ABC Settings
% MaxIt=1000;              % Maximum Number of Iterations
% nPop=100;               % Population Size (Family Size)
nBabysitter= 3;         % Number of babysitters
nAlphaGroup=nPop-nBabysitter;         % Number of Alpha group
nScout=nAlphaGroup;         % Number of Scouts
L=round(0.6*nVar*nBabysitter); % Babysitter Exchange Parameter 
peep=2;             % Alpha female痴 vocalization 
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Empty Mongoose Structure
empty_mongoose.Position=[];
empty_mongoose.Cost=[];
% Initialize Population Array
pop=repmat(empty_mongoose,nAlphaGroup,1);
% Initialize Best Solution Ever Found
BestSol.Cost=inf;
tau=inf;
Iter=1;
sm=inf(nAlphaGroup,1)
% Create Initial Population
for i=1:nAlphaGroup
    pop(i).Position=unifrnd(VarMin,VarMax,VarSize);
    pop(i).Cost=F_obj(pop(i).Position);
    if pop(i).Cost<=BestSol.Cost
        BestSol=pop(i);
    end
end
% Abandonment Counter
C=zeros(nAlphaGroup,1);
CF=(1-Iter/MaxIt)^(2*Iter/MaxIt);
% Array to Hold Best Cost Values
BestCost=zeros(MaxIt,1);
%% DMOA Main Loop
for it=1:MaxIt  
    % Alpha group
     F=zeros(nAlphaGroup,1);
     MeanCost = mean([pop.Cost]);
    for i=1:nAlphaGroup     
        % Calculate Fitness Values and Selection of Alpha
        F(i) = exp(-pop(i).Cost/MeanCost); % Convert Cost to Fitness
    end
        P=F/sum(F);
      % Foraging led by Alpha female
    for m=1:nAlphaGroup     
        % Select Alpha female
        i=RouletteWheelSelection(P);     
        % Choose k randomly, not equal to Alpha
        K=[1:i-1 i+1:nAlphaGroup];
        k=K(randi([1 numel(K)]));    
        % Define Vocalization Coeff.
        phi=(peep/2)*unifrnd(-1,+1,VarSize);     
        % New Mongoose Position
        newpop.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);    
        % Evaluation
        newpop.Cost=F_obj(newpop.Position);    
        % Comparision
        if newpop.Cost<=pop(i).Cost
            pop(i)=newpop;
        else
            C(i)=C(i)+1;
        end     
    end   
    % Scout group
    for i=1:nScout
        % Choose k randomly, not equal to i
        K=[1:i-1 i+1:nAlphaGroup];
        k=K(randi([1 numel(K)]));    
        % Define Vocalization Coeff.
        phi=(peep/2)*unifrnd(-1,+1,VarSize);   
        % New Mongoose Position
        newpop.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        % Evaluation
        newpop.Cost=F_obj(newpop.Position);
        % Sleeping mould
        sm(i)=(newpop.Cost-pop(i).Cost)/max(newpop.Cost,pop(i).Cost); 
     % Comparision
        if newpop.Cost<=pop(i).Cost
            pop(i)=newpop;
        else
            C(i)=C(i)+1;
        end   
    end    
    % Babysitters
    for i=1:nBabysitter
        if C(i)>=L
            pop(i).Position=unifrnd(VarMin,VarMax,VarSize);
            pop(i).Cost=F_obj(pop(i).Position);
            C(i)=0;
        end
    end    
     % Update Best Solution Ever Found
    for i=1:nAlphaGroup
        if pop(i).Cost<=BestSol.Cost
            BestSol=pop(i);
        end
    end    
        
   % Next Mongoose Position
   newtau=mean(sm);
   for i=1:nScout
        M=(pop(i).Position.*sm(i))/pop(i).Position;
        if newtau>tau
           newpop.Position=pop(i).Position-CF*phi*rand.*(pop(i).Position-M);
        else
           newpop.Position=pop(i).Position+CF*phi*rand.*(pop(i).Position-M);
        end
        tau=newtau;
   end    
   % Update Best Solution Ever Found
    for i=1:nAlphaGroup
        if pop(i).Cost<=BestSol.Cost
            BestSol=pop(i);
        end
    end  
    % Store Best Cost Ever Found
    BestCost(it)=BestSol.Cost;
    BEF=BestSol.Cost;
    BEP=BestSol.Position;
    % Display Iteration Information
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
end

参考文献

[1]AGUSHAKA J O, EZUGWU A E, ABUALIGAH L.Dwarf mongoose optimization algorithm[J].Computer methods in applied mechanics and engineering, 2022,391(2022): 114570.

完整代码获取方式：后台回复关键字：

TGDM990