一种新型智能优化算法：冠状病毒群免疫优化算法(CHIO)附MATLAB代码实现
目录
1 算法简介
1.1. 群体免疫
1.2. 人群划分
1.3. 社交距离
2 实现步骤
3 算法效果
3.1. 基准测试函数效果
3.2. 与其他算法比较优化效果
4 小结
1 算法简介
冠状病毒群体免疫优化算法(CHIO)是2020年Mohammed Azmi Al-Betar等提出的一种新型的群体智能优化算法，算法灵感来源于世界传播的灾难性的新冠病毒(COVID-19)，模仿了群体免疫策略和社会距离概念。三种类型的个体病例用于群体免疫:易感、感染和免疫。
1.1. 群体免疫
假设人群中有足够多的人对感染有免疫力，能够有效地阻止疾病传播的情况。对于群体免疫而言，免疫是来自疫苗接种，还是来自疾病患者，这并不影响。关键的是他们可以免疫。随着越来越多的人感染了由该病毒引起的covid-19，将会有更多的人康复，然后对未来的感染免疫。
群体免疫受到基本繁殖率的影响，这代表了有多少人可能从传播病例中感染。这可以表明这种疾病在人口中传播的速度。一般来说，当免疫病例的数量达到人口的很大比例（即大于60%）时，人口将免于有更多的感染病例，这种百分比称为群体免疫阈值。
1.2. 人群划分
群体免疫中个体可分为三种类型：易感、感染和免疫（分为未恢复和恢复）个体，如图所示。
易感个体：这些人没有被病毒感染，但当他们接触其他受感染的个体时（即不遵循推荐的社交距离），它就可以被感染。
感染个体：这种类型的个体有一个确诊的病例，他们可以将病毒传播给根据社交距离因素直接接触的其他易感个体。
免疫的个体：被归类为被免疫的个体不受病毒的保护，他们不受感染者的影响。这种类型可以帮助人口停止大流行的传播，如图所示。
1.3. 社交距离
社交距离的概念被用于病毒大流行的情况下，作为减少感染传播的策略。社交距离的影响如图所示。 疾病的传播将下降，最终导致大流行的爆发。该病毒的传播链将被打破，并将导致减缓疾病的传播，并以少数感染病例达到大流行高峰。因此，该国的卫生保健系统将能够继续为少数感染病例提供服务。
2 实现步骤
CHIO算法有以下六个主要步骤：
步骤1：初始化CHIO的参数和优化问题。
![\min _{x} f(\boldsymbol{x}) \quad \boldsymbol{x} \in[\boldsymbol{l b}, \boldsymbol{u b}]](http://img.e-com-net.com/image/info8/786b7fc68147448c8ddf6b8f22ad6c2e.gif){kind=small}
CHIO有四个算法参数和两个控制参数。这四个算法参数分别为：
C0：表示由一个人发起的初始感染病例的数量。
MaxItr：最大的迭代次数。
HIS：人口规模。
n：问题的维数。
CHIO有两个主要的控制参数：
基本繁殖率(BRr)：它通过在个体之间传播病毒大流行来控制CHIO操作员。
最大感染病例年龄(MaxAge)：它确定了达到MaxAge的病例被恢复或死亡的感染病例的状态。
步骤2：初始化免疫群体。
CHIO随机（或启发式）产生一组与HIS一样多的病例（个体）。生成的病例作为群体免疫群体(HIP)，二维矩阵存储如下：
步骤3：群体免疫进化。
个体根据病毒的基础繁殖率(BRr=0.05)来选择位置更新方式。
式中，r生成一个在0到1之间的随机数。
步骤4：更新群体免疫群体的免疫率S。
步骤5：死亡率计算。
如果当前感染病例的免疫率不能得到改善，则认为该病例已经死亡，需要重新初始化该病例个体。
步骤6：算法停止准则。
重复步骤3到步骤6，直到终止准则，通常取决于是否达到最大迭代次数的情况。在这种情况下，易感和免疫病例的总数占主导地位。受感染的病例也消失了。
伪代码流程：
3 算法效果
CHIO使用23个著名的基准测试函数进行评估算法性能，对七种最先进的方法进行了比较评价。
3.1. 基准测试函数效果
3.2. 与其他算法比较优化效果
4 小结
从F1-F23组测试函数的优化效果，以及与其他典型优化算法的性能对比，可知CHIO算法的全局优化能力一般，个人觉得该算法的改进空间较大。可和遗传算法，麻雀搜索算法等智能算法一样，用于神经网络，支持向量机，GRU，LSTM，VMD，系统PID参数辨识等方面，CHIO不失为一个较新的群智能优化算法。
MATLAB代码地址
https://mianbaoduo.com/o/bread/mbd-YZ6Vmptp