野马优化算法（WHO），原理公式详解，附matlab代码

野马优化算法（Wild Horse Optimizer,WHO）是一种新型群智能优化算法，来源于野马种群的生活行为，具有进化能力强、搜索速度快、寻优能力强的特点。该成果于2021年发表在知名SCI期刊Engineering with computer上，目前在谷歌学术上被引率高达220次。

WHO是由野马的社会生活行为的启发，马通常生活在群体中，包括一匹公马和几匹母马和马驹。马有许多行为，如吃草、追逐、支配、领导和交配。

算法原理

（1）算法初始化

首先，我们将这个初始种群分成几组。如果N是总体的成员数，则组的数目为G=N×PS。PS是种马在总种群中的百分比，我们认为这是所提出的算法的控制参数。因此，我们根据组的数量有领导者G（种马），其余成员（N-G）在这些组中平均分配。

（2）放牧行为

马驹通常花大部分时间在他们的群体周围吃草。为了实现放牧行为，我们认为种马是放牧区域的中心，并且组的成员在中心周围搜索（放牧）。模拟放牧行为中组成员以不同的半径围绕领导者移动和搜索，其位置的数学表达式如下：

式中:  为组成员(小马驹或母马)的当前位置；Stallion为领导者的位置；R为[-2,2]内的随机数，导致群首不同角度（360度）的马的放牧，通过结合和R的COS函数导致不同半径的运动，主要控制个体与领导者间的角度。

自适应机制Z的计算方式为: 

式中：P为由问题维数0和1组成的向量；Θ为点乘；R1和R3为在[0,1]范围内均匀分布的随机向量；R2为[0,1]范围内均匀分布的随机数；满足条件(P=0)的随机向量R1返回IDX索引，TDR为由1线性递减至0的系数。  式中：iter为当前迭代次数；maxiter为最大迭代次数。

（3）交配行为

与其他动物相比，马的独特行为之一是将马驹从群体中分离出来并与它们交配。小马驹在进入青春期前离开群体，雄性小马驹加入单身马的群体，雌性小马驹加入另一个家庭群体进入青春期并找到配偶。这种分离是为了防止父亲与女儿或兄弟姐妹交配。

为了模拟马的离开和交配的行为，下式提出了一种与均值型Crossover算子相同的均值型Crossover算子： 

其中Xp，G，K是第k组中的马p离开的位置，把它的位置让给另外一匹马，这匹马是父母已经离开第i组和第j组，并已进入青春期的马。Crossover(XqG,i,XzG,j)表示来自第i组的小马驹q离开当前的位置，在达到青春期年龄后和来自第j组的小马驹z交配。

（4）种群领导

在自然界中,领导者主要带领种群前往合适的栖息地。本文设定若另一个种群对栖息地占主导地位，那么该种群不得不离开此栖息地。下式计算每个种群中领导者相对于栖息地的下一位置。 式中：  为第i组领导者下一次的位置；WH为当前栖息地的位置(即当前最优个体的位置)；StallionGi为第i组领导者当前的位置；R为[-2,2]范围内的均匀随机数。

（5）交流和选拔领导者

随机选择领导者，以保持算法的随机性。在算法的后期阶段，根据适应度来选择领导者。如果其中一个组成员的适合度比领导者好，则领导者和相应成员的位置将根据下式改变,cost是适应度函数。

---

结果展示

在CEC2005函数集测试，结果如下：

 MATLAB核心代码

% Max_iter: maximum iterations, N: populatoin size, Convergence_curve: Convergence curve
function [gBestScore,gBest,Convergence_curve]=WHO(N,Max_iter,lb,ub,dim,fobj)


if size(ub,1)==1
    ub=ones(1,dim)*ub;
    lb=ones(1,dim)*lb;
end
 PS=0.2;     % Stallions Percentage 
 PC=0.13;    % Crossover Percentage
 NStallion=ceil(PS*N); % number Stallion
 Nfoal=N-NStallion;


Convergence_curve = zeros(1,Max_iter);
gBest=zeros(1,dim);
 gBestScore=inf;
 
 %create initial population
 empty.pos=[];
empty.cost=[];


group=repmat(empty,Nfoal,1);


for i=1:Nfoal 
   group(i).pos=lb+rand(1,dim).*(ub-lb);
   group(i).cost=fobj(group(i).pos);
end


Stallion=repmat(empty,NStallion,1);


for i=1:NStallion 
   Stallion(i).pos=lb+rand(1,dim).*(ub-lb);
   Stallion(i).cost=fobj(Stallion(i).pos);
 
end
  ngroup=length(group);
  a=randperm(ngroup);
  group=group(a);


i=0;
k=1;
for j=1:ngroup
i=i+1;    
  Stallion(i).group(k)=group(j);  
if i==NStallion
    i=0;
    k=k+1;
end
end
Stallion=exchange(Stallion);
[value,index]=min([Stallion.cost]);


WH=Stallion(index); % global
   gBest=WH.pos;
   gBestScore=WH.cost;


Convergence_curve(1)=WH.cost;
l=2; % Loop counter
while l<Max_iter+1
TDR=1-l*((1)/Max_iter);


for i=1:NStallion
    
   ngroup=length(Stallion(i).group);
    [~,index]=sort([Stallion(i).group.cost]);
    Stallion(i).group=Stallion(i).group(index);
   
   for j=1:ngroup
    
    if rand>PC
              z=rand(1,dim)<TDR;
            r1=rand;
            r2=rand(1,dim);
            idx=(z==0);
            r3=r1.*idx+r2.*~idx;
           rr=-2+4*r3;


           Stallion(i).group(j).pos= 2*r3.*cos(2*pi*rr).*(Stallion(i).pos-Stallion(i).group(j).pos)+(Stallion(i).pos);
    else
    A=randperm(NStallion);
    A(A==i)=[];
    a=A(1);
    c=A(2);
%     B=randperm(ngroup);
%     BB=randperm(ngroup);
%     b1=B(1);b2=BB(1);
    x1=Stallion(c).group(end).pos;
    x2=Stallion(a).group(end).pos;


       y1=(x1+x2)/2;   % Crossover


    Stallion(i).group(j).pos=y1;
    end
   


    Stallion(i).group(j).pos=min(Stallion(i).group(j).pos,ub);
    Stallion(i).group(j).pos=max(Stallion(i).group(j).pos,lb);
    
    Stallion(i).group(j).cost=fobj(Stallion(i).group(j).pos);
    


    
   end
    
% end
% 
% for i=1:NStallion


    R=rand;
%     z=rand(1,dim)<TDR;
%             r1=rand;
%             r2=rand(1,dim);
%             idx=(z==0);
%             r3=r1.*idx+r2.*~idx;
%             rr=-2+4*r3;


       if R<0.5
        k= 2*r3.*cos(2*pi*rr).*(WH.pos-(Stallion(i).pos))+WH.pos;
        else
        k= 2*r3.*cos(2*pi*rr).*(WH.pos-(Stallion(i).pos))-WH.pos;
       end


    k=min(k,ub);
    k=max(k,lb);
    fk=fobj(k);
    if fk<Stallion(i).cost
      Stallion(i).pos  =k;
      Stallion(i).cost=fk;
    end
end
    Stallion=exchange(Stallion);
     [value,index]=min([Stallion.cost]);
   if value<WH.cost
       WH=Stallion(index);
   end
   gBest=WH.pos;
   gBestScore=WH.cost;
    Convergence_curve(l)=WH.cost;
    l = l + 1;
end

参考文献

[1]  Naruei I, Keynia F. Wild horse optimizer: A new meta-heuristic algorithm for solving engineering optimization problems[J]. Engineering with computers, 2022, 38(Suppl 4): 3025-3056.

完整代码获取方式：后台回复关键字：

TGDM100