【智能算法】海马优化算法（SHO）原理及实现

本文主要是介绍【智能算法】海马优化算法（SHO）原理及实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在这里插入图片描述

1.背景

2022年，Zhao等人受到海马自然社会行为启发，提出了海马优化算法（Sea-horse Optimizer, SHO）。

2.算法原理

2.1算法思想

SHO模拟了海马群在自然界中的运动、捕食和繁殖行为。

2.2算法过程

海马探索阶段主要负责全局探索，海马个体通过正态分布 r1 选择运动模式（莱维飞行，布朗随机游走）进行位置更新，表述为：
$\left.X_{new}^{1}(t+1)=\left\{\begin{array}{ll}X_{i}(t)+Levy(\lambda)((X_{elite}\left(t\right)-X_{i}\left(t\right))\times x\times y\times z+X_{elite})&r_{1}>0\\\\X_{i}\left(t\right)+rand^{*}l^{*}\beta_{t}{}^{*}\left(X_{i}\left(t\right)-\beta_{t}{}^{*}X_{elite}\right)&r_{1}\leq0\end{array}\right.\right.\tag{1}$
海马捕食阶段主要根据探索阶段选出的最优个体进行局部探索。该阶段采用捕食成功概率来选择不同运动模式，其中捕食成功概率超过 90%。
$X_{new}^2\left(t+1\right)=\begin{cases}\alpha^*\left(X_{elite}-rand^*X_{new}^1\left(t\right)\right)+(1-\alpha)^*X_{elite}&ifr_2>0.1\\\\(1-\alpha)^*\left(X_{new}^1\left(t\right)-rand^*X_{elite}\right)+\alpha^*X_{new}^1\left(t\right)&ifr_2\leq0.1\end{cases}\tag{2}$
海马移动步长a表述为：
$\alpha=\left(1-\frac tT\right)^{\frac{2t}T}\tag{3}$
海马群繁殖阶段主要进行局部寻优。在该阶段，海马子代会随机继承探索和捕食阶段父母双方的基因，以寻找最优个体。具体位置更新公式为:
$X_i^{offspring}=r_3X_i^{father}+(1-r_3)X_i^{mother}\tag{4}$

伪代码：
在这里插入图片描述

3.结果展示

在这里插入图片描述

4.参考文献

[1] Zhao S, Zhang T, Ma S, et al. Sea-horse optimizer: A novel nature-inspired meta-heuristic for global optimization problems[J]. Applied Intelligence, 2023, 53(10): 11833-11860.

这篇关于【智能算法】海马优化算法（SHO）原理及实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！