智能优化算法：鸡群优化算法-附代码

智能优化算法：鸡群优化算法-附代码

摘要：鸡群算法 (Chicken Swarm Optimization，CSO) 是一种新颖的仿生学算法，充分继承群智能优化特点，创新采用个体分类、协作优化，最大程度挖掘最优解，又能很好避免早熟现象。具有收敛快，寻优能力强的特点。

1.算法原理

1.1 鸡群优化算法简介

新型的仿生学算法—鸡群优化算法，它模拟群的等级制度和鸡群的群体活动行为。 在特殊的等级制度下鸡群中不同鸡种搜寻食物时存在着竞争。公鸡搜索食物能力强，适应值小；母鸡其次；小鸡搜索食物能力最弱，适应值最大。

为了简化，文中通过下列规则理想化鸡群算法：

1. 鸡群按公鸡个数来分组，每组由一只公鸡、一些母鸡和小鸡组成，有几只公鸡就有几组。
2. 分组中，公鸡搜索能力最强，处于统治地位，适应值最小；搜索能力稍差的母鸡紧跟在公鸡周围搜索食物，适应度值稍大；其中一些母鸡还带领小鸡，小鸡搜索能力最差，只在母鸡周围搜索食物，适应度值最大，实现局部搜索功能。
3. 在等级制度下，分组中公鸡的统治关系和母鸡 - 小鸡的母子关系将会改变。
4. 通过适应度值来建立这种等级秩序，并随机分组建立公鸡与母鸡的关系，随机建立母鸡—小鸡的母子关系。鸡群中，适应度值越小的个体越占有优势，可以优先获得食物，并且统领适应度值大的个体。 适应度值最小的个体对应鸡群中的公鸡，稍大的对应于母鸡，最大的对应于小鸡，在这种等级秩序下它们以组为单位合作，并按照各自的运动规律更新位置，进行搜索，最终搜索到最佳的觅食位置，即得到最优解。

1.2 位置更新策略

因为不同的鸡种有不同的运动规律， 因此，以下 3 种个体的位置更新策略各不相同。

1.2.1公鸡的位置更新策略

适应度好的公鸡能够在更大的范围内搜索食物，而且比适应度差的公鸡能够优先获得食物实现全局搜索，它的位置更新受随机选取的其他公鸡位置的影响，则更新策略见式（1）-（2）
$$x_{i,j}^{t+1}=x_{i,j}^t[1+Randn(0,{\delta }^2)]\text{\hspace{1em}(1)}$$

$${\delta }^2=\{\begin{array}{l}1,f_i\le f_s\\ e^{\frac{f_s-f_i}{|f_i|+\epsilon },f_i>f_s}\\ s\in [1,RN],s\ne i\end{array}\text{\hspace{1em}(2)}$$

式 (1)-(2) 中：第 $i$ 只公鸡位置的第 j 维的值表示为，$s$ 表示当前的迭代次数，表示服从期望值为0 ，方差值为 2 的正态分布随机数， 第 $i$ 只公鸡的适应度为 $f_i$ ，随机选取公鸡 $s$ 的适应度为 $f_s$ ， 分母中加上无穷小数 $\epsilon$ ，避免除数为零。

1.2.2 母鸡的位置更新策略

母鸡跟随伙伴公鸡搜索食物，位置更新受伙伴公鸡位置影响。由于母鸡的偷食行为，位置更新又与其它公鸡和母鸡有关系，则更新策略见式 (3)-(5) 。
$$x_{i,j}^{t+1}=x_{i,j}^t+k_1\ast Rand\ast (x_{r_1}^t-x_{i,j}^t)+k_2\ast Rand\ast (x_{r_2,j}^t-x_{i,j}^t)\text{\hspace{1em}(3)}$$

$$k_1=e^{\frac{f_i-f_{r_1}}{|f_i+\epsilon |}}\text{\hspace{1em}(4)}$$

$$k_2=e^{f_{r_2}-f_i}\text{\hspace{1em}(5)}$$

式 (3)-(5) 中： Rand 是一个服从 [0,1] 均匀分布的随机数，该母鸡的伙伴公鸡 $r_1$ 的适应度值为 $f_{r_1}$ ， $k_1$表示其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体 $r_2$ 的适应度值为 $f_{r_2}$ ， $k_2$ 为其他鸡对其的影响因子。

2.2.3 小鸡的位置更新策略

小鸡在其母亲周围搜寻食物，它的搜索能力最差，位置受到母亲公鸡的影响，则更新策略见式 (6) 。
$$x_{i,j}^{t+1}=x_{i,j}^t+P(x_{m,j}^t-x_{i,j}^t)\text{\hspace{1em}(6)}$$
式 (6) 中：母亲母鸡$m$位置的第$j$维数值为 $x_m$ ， $j$ ，母亲母鸡的位置对小鸡位置的影响因子为$P$ ， 其为随机函数随机生成，取值范围一般为 (0,2) 。

2.算法流程

步骤如下：

1. 初始化参数。 初始配置算法参数，主要是鸡群的大小、迭代的次数、种群关系的更新频率、个体位置的维度、公鸡母鸡小鸡在鸡群中的比例等。
2. 初始化鸡群。 鸡群按适应度值排序分级，公鸡为前 $RN$ 个个体，小鸡为最末 $CN$ 个个体，其余均为母鸡。将鸡群按公鸡数分成 $RN$ 个组，母鸡随机分配到个组中，确定公鸡和母鸡的伙伴关系。 随机选取 $MN$个母鸡，随机统领小鸡，确定母鸡小鸡的母子关系。
3. 迭代开始，先判断是否需要更新分组，是否需要更新鸡群中的关系，需要则更新鸡群分组和鸡群中的关系；否则，公鸡、母鸡和小鸡的位置分别按照各自的位置更新策略， 对各自位置逐个进行更新，同时计算更新位置的适应度值。
4. 个体位置更新。 新位置的适应度值与原位置适应度值相比，如果新的位置的适应度值小就更新个体位置，否则就保持原来的位置不变。
5. 达到最大迭代次数后停止迭代，并输出最优解，否则回到第 3 步，循环迭代进行搜索。

3.算法结果

4.参考文献

[1] MENG X ， LIU Y ， GAO X Z ， et al. A new bio-inspired algorithm: chicken swarm optimization[J]. Lecture Notes in Computer Science ,2014 ,8794(1):86-94.

[2] 胡汉梅,李静雅,黄景光.基于鸡群算法的微网经济运行优化[J].高压电器,2017,53(01):119-125.

5.Matlab代码

鸡群优化算法
改进算法matlab代码

名称	说明或者参考文献
基于模拟退火的改进鸡群优化算法(SAICSO)	[1]李振璧,王康,姜媛媛.基于模拟退火的改进鸡群优化算法[J].微电子学与计算机,2017,34(02):30-33+38.
一种改进的鸡群算法(ICSO)	[1]孔飞,吴定会.一种改进的鸡群算法[J].江南大学学报(自然科学版),2015,14(06):681-688.
全局优化的改进鸡群算法（ECSO)	[1]韩斐斐,赵齐辉,杜兆宏,刘升.全局优化的改进鸡群算法[J].计算机应用研究,2019,36(08):2317-2319+2327.

算法相关应用

名称	说明或者参考文献
鸡群优化的BP神经网络（预测）	https://blog.csdn.net/u011835903/article/details/112149776（原理一样，只是优化算法用鸡群算法）
鸡群优化的BP神经网络（分类）	https://blog.csdn.net/u011835903/article/details/112149394（原理一样，只是优化算法用鸡群算法）
基于鸡群优化的最大熵多阈值分割	https://blog.csdn.net/u011835903/article/details/108203775（原理一样，只是优化算法用鸡群算法）
鸡群算法优化的otsu多阈值分割	https://blog.csdn.net/u011835903/article/details/108019744（原理一样，只是优化算法用鸡群算法）
鸡群优化的PID参数优化	https://blog.csdn.net/u011835903/article/details/109306387（原理一样，只是优化算法用鸡群算法）