智能优化算法：猎豹优化算法-附代码
智能优化算法：猎豹优化算法
文章目录
- 智能优化算法：猎豹优化算法
-
- 1.猎豹优化算法
-
- 1.1 初始化
- 1.2 搜索策略
- 1.3坐等策略
- 1.4攻击策略
- 2.实验结果
- 3.参考文献
- 4.Matlab
- 5.python
摘要：CO算法是Mohammad AminAkbari等人于2022年受自然界猎豹狩猎启发而提出一种新型群体智能优化算法。该算法通过模拟猎豹在狩猎过程中搜索、坐等和攻击3种策略来实现位置更新。具有寻优能力强，收敛速度快等特点。
1.猎豹优化算法
1.1 初始化
(1) 初始化。与其他群体智能优化算法类似, CO 算法也 是从种群初始化开始。设在 d d d 维搜索空间中, 猎豹初始化位置 描述为:
X i , j = L B j + rand ( U B j − L B j ) i = 1 , 2 , ⋯ , n ; j = 1 , 2 , ⋯ , d (1) X_{i, j}=L B_j+\operatorname{rand}\left(U B_j-L B_j\right) \quad i=1,2, \cdots, n ; j=1,2, \cdots, d \tag{1} Xi,j=LBj+rand(UBj−LBj)i=1,2,⋯,n;j=1,2,⋯,d(1)
式中: X i , j X_{i, j} Xi,j 为第 i i i 头猎豹第 j j j 维位置; U B j 、 L B j U B_j 、 L B_j UBj、LBj 为第 j j j 维搜索空间上、下限值; rand 为介于 0 和 1 之间的随机数; n n n 为猎豹种群 规模; d d d 为问题维度。
1.2 搜索策略
猎豹在其领地（搜索空间）或周围区域 进行全范围扫描或主动搜索, 以找到猎物。该策略数学描 述为:
X i , j t + 1 = X i , j t + r ˉ i , j − 1 ⋅ α i , j t t = 1 , 2 , ⋯ , T (2) X_{i, j}^{t+1}=X_{i, j}^t+\bar{r}_{i, j}^{-1} \cdot \alpha_{i, j}^t \quad t=1,2, \cdots, T \tag{2} Xi,jt+1=Xi,jt+rˉi,j−1⋅αi,jtt=1,2,⋯,T(2)
式中: X i , j t + 1 X_{i, j}^{t+1} Xi,jt+1 为第 i i i 头猎豹第 t + 1 t+1 t+1 次迭代第 j j j 维位置; X i , j t X_{i, j}^t Xi,jt 为第 i i i 头 猎豹第 t t t 迭代第 j j j 维位置; r ˉ i , j \bar{r}_{i, j} rˉi,j 为第 i i i 头猎豹第 j j j 维呈正态分布的 随机数; α i , j t \alpha_{i, j}^t αi,jt 为第 i i i 头猎豹第 t t t 迭代第 j j j 维的搜索步长; T T T 为算法 最大迭代次数。
1.3坐等策略
（3）坐等策略。在搜索模式下, 猎物可能会暴露在猎豹 视野中, 在这种情况下, 猎豹的每一个动作都可能会导致猎 物逃跑。为避免该情况发生, 猎豹采取坐等伏击策略（躺在 地上或躲进灌木丛) 以接近猎物。该策略数学描述为:
X i , j l + 1 = X i , j t (3) X_{i, j}^{l+1}=X_{i, j}^t \tag{3} Xi,jl+1=Xi,jt(3)
式 (3) 各参数意义同上。该策略不但提高狩猎成功率 (获得取优解), 而且避免 CO 过早收玫。
1.4攻击策略
在 CO 算法中, 每头猎豹都可以根据逃跑 猎物、领头猎豹或附近猎豹的位置来调整自己的位置, 以获 得最佳攻击位置。该策略数学描述为:
X i , j t + 1 = X B , j t + r ˉ i , j ⋅ β i , j t (4) X_{i, j}^{t+1}=X_{B, j}^t+\bar{r}_{i, j} \cdot \beta_{i, j}^t \tag{4} Xi,jt+1=XB,jt+rˉi,j⋅βi,jt(4)
式中: X B , j t X_{B, j}^t XB,jt 为第 t t t 迭代第 j j j 维猎物位置, 即当前最佳位置; r ˉ i , j \bar{r}_{i, j} rˉi,j 为 第 i i i 头猎豹第 j j j 维转向因子; β i , j t \beta_{i, j}^t βi,jt 为第 i i i 头猎豹第 t t t 迭代第 j j j 维交互 因子，反映猎豹之间或猎豹与领头猎豹之间的互动; 其他参 数意义同上。
2.实验结果
3.参考文献
[1] AKBARI M A, ZARE M, AZIZIPANAH-ABARGHOOEE R, et al.The cheetah optimizer: a nature-inspired metaheuristic algorithm for large-scale optimization problems[J]. Scientific reports, 2022, 12(1): 1-20.
[2]李杰,崔东文.若干新型群体智能算法优化高斯过程回归的年降水量预测[J].节水灌溉,2023(07):96-103+109.