【群智能算法】一种改进的蚁狮优化算法IALO【Matlab代码#5】

---

【获取资源请见文章第5节：资源获取】

---

1. 原始蚁狮优化算法

蚁狮优化算法模模仿了自然界中蚁狮在捕猎蚂蚁时的智能行为。

1.1 蚂蚁随机游走公式

随机游走在数学上的表达式为：

其中，cussum为计算累加和，n为最大迭代次数，t为随机步长，r(t)取0或者1。

为了保证在搜索空间内随机游走，而不超出搜索空间，对其进行归一化：

其中，ai和bi表示第i个变量随机游走的最小和最大值，cit和dit表示第t次迭代第i个变量的最小值和最大值。

1.2 设置陷阱

蚂蚁的游走行为受到蚁狮陷阱的影响，模型这一行为的数学表达式为：

其中，ct和dt分别表示第t次迭代所有变量的最小值和最大值，Antlionjt表示第t次迭代第j个蚁狮的位置。

1.3 陷阱诱惑蚂蚁

针对此行为有如下数学公式：

1.4 捕获猎物并重建洞穴

蚁狮把蚂蚁拉到沙子里吃掉，为了模仿这一过程，假设当蚂蚁变得比相应的蚁狮更适合捕食时(进入沙地)。然后，蚁狮需要更新自己的位置到被捕食蚂蚁的最新位置：

2. 改进蚁狮优化算法

2.1 连续性边界收缩因子

在基本 ALO 算法中蚂蚁围绕陷阱游走阶段，其边界即搜索范围逐渐缩小，以开发陷阱邻域最优值。但是边界收缩因子 I 的变化呈现间断增大趋势，其间断式增大易导致蚂蚁遗漏部分区域，使算法易错过最优值。针对以上问题，为了增强算法的遍历性，使其更全面地搜索求解空间以及提高算法收敛速度，提出一种随着算法迭代进化而快速连续增大的边界收缩因子。
新的蚂蚁游走边界更新公式为：

2.2 位置更新动态权重系数

在精英化阶段，蚂蚁根据轮盘赌选择蚁狮和精英蚁狮行为以更新位置，但是由于精英蚁狮具有最优适应度值，有较大概率被选作轮盘赌选择蚁狮，导致蚂蚁只绕精英蚁狮游走，而降低算法全局探索能力。针对上述问题，将基于迭代次数的动态权重系数引入蚂蚁位置更新公式：

权重系数k1 在迭代前期较大，使蚂蚁在搜索空间内探索更优区域; 而在后期，精英蚁狮邻近最优区域，其权重系
数 k2 逐渐增大，使蚂蚁在最优区域邻域开发，以此提高算法全局探索与局部开发的平衡能力。

3. 部分代码展示

I=(400/max_iter)*sinh(20*current_iter/max_iter); %% 改进1：连续性边界收缩因子

% Dicrease boundaries to converge towards antlion
lb=lb/(I); % Equation (2.10) in the paper 
ub=ub/(I); % Equation (2.11) in the paper 

for i=1:size(ant_position,1) % 返回ant_position的行数，就是蚂蚁数量
        % Select ant lions based on their fitness (the better anlion the higher chance of catching ant)
        Rolette_index=RouletteWheelSelection(1./sorted_antlion_fitness); % RouletteWheelSelection意思是轮盘赌
        if Rolette_index==-1  
            Rolette_index=1;
        end
      
        % RA is the random walk around the selected antlion by rolette wheel
        RA=IAOL_Random_walk_around_antlion(dim,Max_iter,lb,ub,Sorted_antlions(Rolette_index,:),Current_iter);
        
        % RA is the random walk around the elite (best antlion so far)
        [RE]=IAOL_Random_walk_around_antlion(dim,Max_iter,lb,ub, Elite_antlion_position(1,:),Current_iter);
        k1=...;%% 改进2：位置更新动态权重系数
        k2=...;
        ant_position(i,:)= ...;     
    end

4. 结果图展示

The best solution obtained by ALO is : 1.752e-06 -6.6015e-06 -4.5149e-05  3.3942e-05  2.8805e-05  4.5751e-06 -8.5604e-06  1.9466e-05 -4.9646e-07  1.2015e-05
The best optimal value of the objective funciton found by ALO is : 4.6847e-09
The best solution obtained by IALO is : 0  0  0  0  0  0  0  0  0  0
The best optimal value of the objective funciton found by IALO is : 0

5. 资源获取

可以获取完整代码资源。