2024年SCI一区算法：足球队训练算法，原理详解，MATLAB代码免费获取

先说结论，从趋势结果曲线图来看，足球队训练算法不易陷入局部最优，寻优效果不错，且原理简单，大家可以借鉴该算法原理用于别的算法的改进。

足球队训练算法（Football team training algorithm，FTTA）是一种全新的元启发式优化方法，其灵感来源于足球队中球员集体训练课的安排与进步过程。该算法通过配合模拟足球课，分阶段训练球员，提高球员的能力，通过模拟足球队的训练模式，不断提高算法的收敛能力，最终得到全局最优解。FTTA具有进化能力强、搜索速度快、寻优能力强的特点。这一成果由Tian等人于2024年发表在中科院1区顶级SCI期刊《Engineering Applications of Artificial Intelligence》上。

足球队训练算法（FTTA）是一种利用模拟高水平足球训练课上球员行为的方法，以达到训练效果的目的。传统足球训练课通常包括集体训练、小组训练和个人额外训练三个主要部分，每部分的具体内容如下：

1、算法原理

（1）集体训练

训练开始时，队员们会在教练的指导下进行集体训练，教练首先会通过一系列的测试（体能机能）让队员们了解自己的水平。然后球员们根据自己的水平制定自己的集体训练计划。我们将玩家分为四种不同的类型：追随者，反对者，思考者和波动者。在每次迭代中，玩家将随机改变自己的类型。

追随者是当前最佳玩家的狂热追随者，他朝着每个维度的最佳玩家努力，希望达到当前最佳玩家的水平，但由于实力的限制，往往每个维度只能随机移动到最佳玩家。计算公式如下：

其中当前最佳玩家被定义为Fk Best，其中k是迭代次数，Fk Best，j是其在维度j上的值;当前玩家被定义为Fk i，i是其玩家编号，Fk i，j是其在维度j上的值，Fk i，j new是训练后玩家在维度j上的状态。

发现者比追随者更理性。他们不仅看到最好的球员，也看到最差的球员，所以他们不仅努力争取最好的球员，而且尽最大努力避免成为最差的球员。计算公式如下：

其中，当前最差的玩家被定义为Fk Worst，k是迭代次数，其中Fk Worst，j是其在维度j中的值。Fk i，j new是训练后玩家在维度j上的状态。

思考者比眼前的人更警觉，他们直接看到最好的玩家和最差的玩家之间的差距，并努力在每个维度上达到差距，方程如下：

在维度j中，Fk Best，j − Fk Worst，j是当前最佳玩家和最差玩家之间的差向量，k是迭代次数。反复无常的人拒绝向任何人学习，他们自己做训练，所以状态会有一定的波动。当然，随着训练次数（迭代次数）的增加。运动员状态的波动会越来越小，我们定义运动员状态的波动如下：

其中，t（k）是一个具有t分布的随机数，其自由度为当前迭代次数，随着自由度的增加，t分布接近中间值（0）的概率越来越高，两端分布逐渐减小，将越来越接近正态分布。因此，随着迭代次数的增加，波动的程度会越来越小，并逐渐从全局搜索转变为局部搜索。

（2）集体培训

集体训练结束后，足球训练过程就到了分组训练的阶段，教练员根据球员的特点将球员分为四类（每个维度都是一个特征值）：前锋、中场、后卫和守门员。

教练完成分组后，队员们将与组内其他队员进行学习或交流。我们将群体训练定义为三种状态：最优学习、随机学习和随机交流。我们将学习概率定义为pstudy，通信概率为pstudy，参与者将在每次迭代中随机选择状态。

最优学习：在每个维度中，玩家都有一定的概率直接学习到群体中最优秀玩家的能力值。公式定义如下:

式中，Fk, teambest为第l组中最优秀的选手，k为迭代次数，teaml代表第l组，Fk, teambest,j为第l组中最优秀选手的第j维，Fk, teami,j new为第j维选手经过最优学习后的状态。

随机学习：在每个维度中，玩家都有一定的概率直接学习到小组中任意一个随机玩家的能力值。公式定义如下:

式中，Fk,teaml Random为第l组中的随机参与者，k为迭代次数，teaml代表第l组，Fk,teaml Random,j为第l组中随机参与者的第j维，Fk,teaml i,j new为随机学习后参与者在第j维中的状态。

在训练中，学习只是一部分，两名队员之间的交流对于能力的提高更为重要。在每个维度中，玩家都有一定的概率与小组中的任何玩家进行交流。

当rand≤pcomm时，公式定义如下:

式中，Fk,teaml Random为l组中的随机玩家，k为迭代次数，teaml代表l组，Fk,teaml Random,j为l组中随机玩家的第j维，两名玩家在j维交换能力，Randn为正态分布的随机数，乘以(1 + randn)表示两名玩家对其他玩家能力的理解。

当rand > pcomm时，公式定义如下:

我们假设在群体训练过程中，有一定的概率会出现错误，即他们不小心学习了别人的其他维度的内容。这种情况发生的概率很低，但却是真实客观的。我们将错误概率定义为perror。

（3）个人额外训练

在集体训练结束后，需要重新计算新的体能值，用较好的体能值代替较差的体能值来更新球员的状态。更新后，教练会选择最好的球员，让他练习，让他变得更好，这样他就能更好地带动别人的训练状态，训练的公式如下:

Cauchy和Gauss联合变分用于描述单个额外训练，k为迭代次数。之所以选择高斯-柯西分布，是因为在训练初期，一般每个人的水平都不高，所以最优秀的选手有更大的概率获得更大的提升，此时，柯西分布-分布函数占据了很大的比例，这可以有效地为玩家提供大范围的提升，有利于全局搜索。

所提出的FTTA流程图如下图所示。

所提出的FTTA伪代码如下所示。

2、结果展示

---

3、MATLAB核心代码

clc
clear
pop = 100;           %%Population
maxGen = 1000;      %%Maximum iterations
stu = 0.2;          %%Study Operator
com = 0.2;          %%Communication Operator 
error = 0.001       %%Error Operator (No higher than 0.001)
teamnumber = 2      %%Team Number Operator(team number>=2 & team number<=pop/4)
F = 'F7';
[lb,ub,dim,fobj] = Get_Functions_details(F);
objective=  fobj;      %Objective Function
[init,Upnew,Lownew] = Initialization1(pop,dim,ub,lb);
Z = 0;
for Iter = 1:maxGen 
%%Calculate All Fitness Values 
for i = 1:pop
        a1 =  objective(init(i,:));
        sol(i,:) = [a1];
end
%%Find out the Best and the Worst.
a = find(sol == min(sol));
b = find(sol == max(sol));
Best = init(a,:);
Best = Best(1,:);
Worst = init(b,:);
Worst = Worst(1,:);
init2 = init;
%% Collective Training
for i = 1:pop
    a = rand;
    if a>=3/4
        %%Status 1: Moving towards the difference vector between Yourself and the Best
        A = init2(i,:)+rand(1,dim).*(Best-init2(i,:));
        init3(i,:) = [A];
            else  if  a>=1/2 && a<3/4
            %%Status 2: Moving towards the difference vector between Yourself and the Best and Worst
             A = init2(i,:)+rand(1,dim).*(Best-Worst);
             init3(i,:) = [A];
             %%Status 3: Moving towards the difference vector between Yourself and the Best while escaping the Worst
             else  if  a<1/2 && a>=1/4
               A = init2(i,:)-rand(1,dim).*(Worst-init2(i,:))+rand(1,dim).*(Best-init2(i,:));
                   init3(i,:) = [A];
                   else  if   a<1/4
                   %%Status 4: Player status fluctuation
                    %%(You can change it to the sin-function which is in the SCA method)      
                    %A = init2(i,:).*(1+(1-Iter*(1/maxGen))*sin(rand*2*pi)); 
                   A = init2(i,:).*(1+trnd(Iter,[1,dim]));
                   init3(i,:) = [A];
                       end
                 end
           end
    end
end
%%Limit Range (Control Boundary)
for i = 1:pop
    for j = 1:dim
        if init3(i,j)>=Upnew(:,j);
            init3(i,j) = Upnew(:,j);
        else if init3(i,j)<=Lownew(:,j);
                init3(i,j) = Lownew(:,j);
            end
        end
    end
end
%% Group training (Striker, Midfielder, Gguard, Goalkeeper)
X = init3';
zubie = 4;
%%EM cluster for grouping
[label, model, llh] = mixGaussEm(X, zubie);
Label = label';
Team1 = init3(find(Label==1),:);
Team2 = init3(find(Label==2),:);
Team3 = init3(find(Label==3),:);
Team4 = init3(find(Label==4),:);
%%Calculate the size of each group
[M1,N1] = size(Team1);
[M2,N2] = size(Team2);
[M3,N3] = size(Team3);
[M4,N4] = size(Team4);
M5 = [M1,M2,M3,M4];
%%We assume that if the number of people in a group is less than teamnumber, we cannot communicate.
for k = 1:4
    if M5(:,k)<=teamnumber
        %%Do the  random grouping at this time
      [Team1,Team2,Team3,Team4] = suijifenzu(init3,pop);
      break 
    end    
end
%%Update the size of each group
[M1,N1] = size(Team1);
[M2,N2] = size(Team2);
[M3,N3] = size(Team3);
[M4,N4] = size(Team4);
%%Learning and communication within each group (communication and learning)
 [team1] = study(Team1,M1,stu,com,error,dim,objective,Upnew,Lownew,teamnumber);
 [team2] = study(Team2,M2,stu,com,error,dim,objective,Upnew,Lownew,teamnumber);
 [team3] = study(Team3,M3,stu,com,error,dim,objective,Upnew,Lownew,teamnumber);
 [team4] = study(Team4,M4,stu,com,error,dim,objective,Upnew,Lownew,teamnumber);
%%Regroup
init4 = [team1;team2;team3;team4]; 
%%Calculate fitness
for i = 1:pop
        a6 =  objective(init4(i,:));
        sol2(i,:) = [a6];       
end 
%%Update players and update corresponding fitness
for i = 1:pop
    if sol(i,:)<=sol2(i,:);
        init4(i,:) = init(i,:); sol2(i,:) = sol(i,1);
    end
end
sol3 =sol2;
%%Find the best player.
d = find(sol3 == min(sol3));
d = d(1,:);
Best2 = init4(d,:);
Best2 = Best2(1,:) ;
best2 = min(sol3);
best2=  best2(1,:);
% For random objective function
if Iter>1
    if  best2>M(Iter-1,:)
        best2 = M(Iter-1,:);
        Best2 = N(Iter-1,:);
    end
end
%% Individual extra training
    %(You can change it to the sin-function which is in the SCA method)      
    %Best3 = Best2.*(1+(1-Iter*(1/maxGen))*sin(rand*2*pi));
    Best3 = Best2.*(1+(1-1/Iter)*randn+(1/Iter)*cauchy(1));
%%Boundary control
for i = 1:dim   
        if Best3(:,i)>=Upnew(:,i);
            Best3(:,i) = Upnew(:,i);
        else if Best3(:,i)<=Lownew(:,i);
                Best3(:,i) = Lownew(:,i);            
        end
    end
end
%%Calculate the target value
best3 = objective(Best3);
%%Best player replacement
if  best3<best2
    best2 = best3;
    Best2 = Best3;
    init4([d],:) = [Best3];
end
Z = Z+1;
M(Z,:) = [best2];
N(Z,:) = [Best2];
%%Update the team members
init = init4;
%%Printout
disp(['In iteration ' num2str(Iter) ': Best solution = ' num2str(M(Z,:))]);
end
%%Draw a convergent image
figure(1)
semilogy(M,'Linewidth',2)
figure(2)
func_plot(F)

参考文献

[1]Tian Z, Gai M. Football team training algorithm: A novel sport-inspired meta-heuristic optimization algorithm for global optimization[J]. Expert Systems with Applications, 2024, 245: 123088.

完整代码获取方式：后台回复关键字：

TGDM877