智能优化算法:海鸥优化算法-附代码

2019智能优化算法:海鸥优化算法-附代码

摘要：本文简单介绍智能优化算法-海鸥优化算法[1][2]

1.原理

海鸥是遍布全球的海鸟，海鸥种类繁多且大小和身长各不相同。 海鸥是杂食动物，吃昆虫、鱼、爬行动物、两栖动物和蚯蚓等。 大多数海鸥的身体覆盖着白色的羽毛，经常用面包屑来吸引鱼群， 用脚发出雨水落下的声音来吸引藏在地下的蚯蚓。海鸥可以喝淡水和盐水，通过眼睛上方的一对特殊腺体，将盐从它们的体内排出。 海鸥以群居式生活，利用智慧来寻找和攻击猎物。 海鸥最重要特征是迁徙和攻击行为，迁徙是动物从一个地方到另一个地方根据季节更替而移动，寻找最丰富的食物来源以便获取足够能量。在迁移期间，动物成群结队地出行。迁徙时每只海鸥的所在位置不同，以避免相互碰撞。 在一个群体中，海鸥可以朝着最佳位置的方向前进，改变自身所在的位置。海鸥经常会攻击候鸟，在进攻时海鸥群体做出螺旋形的运动形态（如图1）。

​ 图1.海鸥迁徙和攻击方式示意图

2.SOA算法

1.迁徙 ( 全局搜索 )

在迁移过程中， 算法模拟海鸥群如何从一个位置移动到另一个位置。 在这个阶段，海鸥应该满足三个条件：避免碰撞：为了避免与邻居 ( 其他海鸥 ) 碰撞，算法采用附加变量 A 计算海鸥的新位置。
$C_{s}(t) = A*P_{s}(t)$
$C_{s}(t)$表示不与其他海鸥存在位置冲突的新位置， $P_{s}(t)$海鸥当前位置， t 表示当前迭代， A 表示海鸥在给定搜索空间中的运动行为。
$A = f_{c}-(t*(f_{c}/Max_{iteration}))$
$f_{c}$可以控制变量 A 的频率，它的值从 2 线性降低到 0 。

最佳位置方向：在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动。
$M_{s}(t)=B*(P_{bs}(t)-P_{s}(t))$
$M_{s}(t)$表示最佳位置所在的方向， B 是负责平衡全局和局部
搜索的随机数。
$B=2*A^{2}*r_{d}$
$r_{d}$是 [0 ， 1] 范围内的随机数。

靠近最佳位置 : 海鸥移动到不与其他海鸥相撞的位置后，就
向着最佳位置的所在方向进行移动，到达新的位置。
$D_{s}(t)=|C_{s}(t)+M_{s}(t)|$
$D_{s}(t)$是海鸥的新位置。

2.攻击 ( 局部搜索 ）

海鸥在迁徙过程中可以不断改变攻击角度和速度， 它们用翅膀和重量保持高度。当攻击猎物时，它们就在空中进行螺旋形状运动。 x 、 y 和 z 平面中的运动行为描述如下：
$x=r*cos(\theta)\\ y=r*sin(\theta)\\ z=r*\theta\\ r=u*e^{\theta v}$

其中 r 是每个螺旋的半径， θ 是 [0 ， 2π] 范围内的随机角度
值。u 和 v 是螺旋形状的相关常数， e 是自然对数的底数。海鸥的
攻击位置前面的式子可得：
$P_{s}(t)=D_{s}(t)*x*y*z+P_{bs}(t)$
$P_{s}(t)$是海鸥的攻击位置。

3.算法伪代码：

1.主程序框架

（ 1 ） 海鸥种群 $P_{s}$ 初始化，参数 $A$ 、 $B$ 和 $MAX_{iteration}$。

（ 2 ） 设置相应参数： $f_{c}$ = 2, $u=1$, $v=1$。

（ 3 ） $While(t < 最大迭代次数)$

（ 4 ） { 计算适应值 ( $P_{s}$ ) /* 使用计算适应度函数计算每只海鸥的适应度值 */
（ 5 ） $r_{d}$ 取随机值 (0 ， 1)
（ 6 ） $\theta$ 取随机值 (0 ， 2π)
（ 7 ） $r=u*e^{\theta v}$
（ 8 ）计算 $D_{s}$
（ 9 ）计算海鸥新位置 $P_{s}$
（ 10 ）更新最佳海鸥位置和适应值, $t=t+1$;
（ 11 ） }
（ 12 ）输出最佳海鸥位置和适应值，结束程序

2.计算适应值 (P s ) 过程

（ 1 ） for i=1 to n
（ 2 ） {
（ 3 ）计算每只海鸥适应值
（ 4 ） }
（ 5 ）更新最佳海鸥位置和适应值
（ 6 ）输出最佳海鸥适应值
（ 7 ）结束

3.更新最佳海鸥位置和适应值过程

（ 1 ） for i=1 to n
（ 2 ） {
（ 3 ）如果海鸥 (i) 的适应值小于 Best 值
（ 4 ） { 用海鸥 (i) 的适应值替代 Best 值
（ 5 ）用海鸥 (i) 的位置替代 Best 的位置
（ 6 ） }
（ 7 ） }
（ 8 ）输出 Best 值和位置
（ 9 ）结束程序

3.运行结果图：

4.参考文献：

[1]韩毅,徐梓斌,张亮,邓丽丽.国外新型智能优化算法——海鸥优化算法[J].现代营销(经营版),2019(10):70-71.

[2]Gaurav Dhiman,Vijay Kumar. Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems[J]. Knowledge-Based Systems,2018.

5.Matlab代码地址：https://mianbaoduo.com/o/bread/Z5WVlZs=