sfejojno的博客

海鸥是自然界中最常见的一类海鸟，主要以群居的生存方式遍布在各大海港、湖泊、河流地区。它们拥有较高的群集智慧，每到冬季，便成群结队地迁徙至资源丰盛的低空水域，进行生殖繁衍。印度学者 Gaurav Dhiman[1]对此行为进行了深入研究，于 2019 年在KBS上发表了一种新型群智能算法，海鸥优化算法(Seagull Optimization Algorithm，SOA)海鸥优化算法通过模仿自然界海鸥的迁徙和攻击行为以用于优化问题。

本文KAU将介绍相当流行的DE变体——基于成功历史记忆的适应性差分进化算法(Success-History based Adaptive Differential Evolutionz，SHADE)。该算法是JADE的增强版本，由Tanabe 和 Fukunaga于2013年提出[1]，大大提升了算法效率，并且其在CEC2013竞赛中排名第三。本文中，KAU将介绍SAHDE算法的原理，并给出其MATLAB和Python的实现。

差分进化算法(Differential Evolution, DE)[1]作为进化算法中的一个重要分支，是R.Stom和K.Price于1995年提出，在1996年首届ICEC竞赛上就获得第三名的成绩，具有实现简单、理解容易收敛速度快等优点。但DE对控制参数(CR和F)依赖性强，同时其变异策略对算法收敛性能影响大，面对复杂函数存在陷入局部最优的问题。因此，众多DE变体被提出，DE算法已经发展成为进化计算领域中具有极强竞争力和生命力的优化算法之一。

本文KAU将介绍一个2020年发表在1区期刊ESWA上的优化算法——海洋捕食者算法 (Marine Predators Algorithm，MPA)[1]该算法由Faramarzi等于2020年提出，其灵感来源于海洋捕食者之间不同的觅食策略、最佳相遇概率策略、海洋记忆存储与海洋漩涡以及鱼类聚集效应影响。算法性能上，在通风和建筑能源性能领域的29个测试函数、CEC2017及3个工程基准和2个工程实际问题等上进行评估，对比算法包含3类：(1)GA、PSO-研究最充分的启发式算法；

MATLABPYTHON目前，元启发式算法按其灵感来源可以分为：（i）群体启发，如粒子群PSO和灰狼优化算法GWO等；（ii）进化启发，如遗传算法GA和差分进化算法DE等；（iii）物理启发，如开普勒优化算法KOA和瞬态优化算法TSO等；（iv）人类启发，如人类行为优化算法HBBO和徒步旅行优化算法HOA等。

天鹰优化算法(Aquila Optimizer，AO)是Abualigah等[1]于2021年发表在SCI二区Computers & Industrial Engineering的元启发式优化算法。该算法通过模拟天鹰对不同猎物的不同捕获方法建立数学模型，具有收敛速度快、全局搜索能力强的优点，目前在谷歌学术上引用量达1500+​本文KAU将介绍其原理，并分享其MATLAB/Python的实现。

人工蜂群算法（Artificial Bee Colony，ABC）是由土耳其学者Karaboga[1]于2005年提出，它是模拟蜜蜂的采蜜行为来解决生活中一些多维和多模的优化问题，目前在谷歌学术上的引用量9k+。对于ABC算法的研究也呈逐年上涨的趋势。​图源文献[8]本文的内容之一即是介绍ABC算法的原理，并讨论其可利用与改进之处，最后给出其代码（Matlab/Python）实现。

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进CEC2005中的测试(MATLAB/PYTHON)本文KAU将介绍一个2018年在CEC会议中提出的优化算法——郊狼优化算法(Coyote Optimization Algorithm，COA)[1]该算法由Juliano Pierezan等于2018年提出，COA的灵感来源于生活在北美的郊狼种群的社会行为，和其他优化器不同的是，郊狼优化算法并没有参考狼群的猎食行为，而是更注重种群的群体结构及对环境的适应和部落间的交流

主要更新CEC2005中的测试本文KAU将介绍一个2023年1月发表在中科院1区KBS上的优化算法——长鼻浣熊优化算法(Coati Optimization Algorithm，COA)[1]该算法由Dehghani教授等人[1]于2023年提出，其模拟了北美长鼻浣熊合作攻击鬣蜥时的行为(勘探)以及分散逃离捕食者时的行为(开发)，具有无需设置控制参数、高效率以及较强的平衡能力(勘探/开发)等优势，与11种优化算法在51个基准函数上进行测试，显示出其惊艳的性能。图源文献[1]

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进CEC2005中的测试本文KAU将介绍一个由Abualigah等人于2021年发表在Comput. Methods Appl. Mech. Eng.上的元启发式算法——算术优化算法(Arithmetic Optimization Algorithm，AOA)[1]​AOA算法的设计很有意思，其巧妙的利用了数学中的加减乘除，乘除运算具有分散度高的性质，用于全局搜索，加减则具有分散度较低的性质，应用于局部搜索。

主要更新CEC2005中的测试本文KAU将介绍一个2022年发表在中科院1区期刊KBS上的优化算法——白鲸优化算法(Beluga Whale Optimization，BWO)[1]该算法由大连理工大学学者Zhong等人[1]于2022年提出，其模拟了白鲸游泳、捕食和鲸落行为，与15种优化算法在30个基准函数和4个真实优化问题上进行测试，均显示出其惊艳的性能，目前也成功应用于机器学习、电力系统经济负荷调度、车间调度等领域。图源文献[1]

正余弦优化算法(Sine cosine algorithm，SCA)是由Mirjalili [1]在2016年提出，目前WOS上引用量2K+，谷歌学术上4K+。不得不说Seyedali Mirjalili真是位大神级的人物(下图是Mirjalili开发的部分算法)SCA的核心思想是利用正、余弦函数波动的周期性，在全局范围内探索最优解，使算法逐步收敛。其具有结构简单、参数少、易于实现的特点。其优化性能优于GA、PSO、花授粉等，已被广泛用于数据分类、光谱特征峰定位和电力系统调度等不同领域。

CEC2017中的测试本文作者将介绍一个2023年发表在中科院1区期刊《Knowledge -Based Systems》上的优化算法——开普勒优化算法(Kepler optimization algorithm，KOA)[1]算法性能上，与鹈鹕、黏菌、灰狼和鲸鱼等一众优化算法在CEC2014、CEC2017、CEC2020和CEC2022上进行了测试，均显示出其惊艳的性能。因此，感兴趣的各位就和作者一起学习一下该算法的巧妙之处吧，并且，在文章的最后也给出了算法的MATLAB和Python实现。

前面的文章里卡卡介绍了哈里斯鹰优化算法(Harris Hawks Optimization, HHO).HHO是 Heidari等[1]于2019年提出的一种新型元启发式算法，设计灵感来源于哈里斯鹰在捕食猎物过程中的合作行为以及突然袭击的狩猎风格，具有需调参数少、原理简单易实现、局部搜索能力强等优点，在许多工程领域得到广泛的应用。