2024年10月中科院一区SCI-雪橇犬优化算法Sled Dog Optimizer -附Matlab免费代码

引言

本期介绍了一种新的仿生元启发式算法——雪橇犬优化算法Sled Dog Optimizer，SDO。SDO的灵感主要来自雪橇犬的各种行为模式。重点通过模拟狗拉雪橇、训练和退役行为的过程，构建数学模型。该算法于2024年10月最新发表在JCR1区，中科院1区SCI期刊Advanced Engineering Informatics

1. 初始化：和其他群优化算法一样，采用随机初始化

2. 雪橇犬的选择。在整个雪橇犬群中，并不是所有的狗每次都能拉雪橇。通常情况下，只有一部分狗被它们的主人选中来执行任务，而剩下的一部分狗则被训练来提高它们的速度、耐力和其他能力。对于被选中拉雪橇的狗来说，它们通常在整个群体的各个方面都是最有能力的。

3. 雪橇犬的旅行。正常旅行：在雪橇队的旅行中，雪橇犬总是分成两列前进。在这种情况下，每组两只狗被绑在一根长绳的左右。对于领头犬来说，它们在旅途中不断地接受并执行主人发出的命令。同时，他们根据自己的训练经验来应对突发事件。雪橇犬的速度更新公式

雪橇犬的位置更新公式

避障：在雪橇队的旅行过程中，经常会遇到障碍。在这个时候，处理障碍的最好方法就是避开它们。雪橇犬会在主人的指挥和平时的训练下有序地避开障碍物。其模型如式所示。

迷失方向：雪橇队在前往目的地的途中迷路并不罕见。当遇到这种情况时，雪橇狗会在主人的带领下随机探索周围地区。其数学模型

3. 雪橇犬的训练。对于不符合要求的雪橇犬，它们被用来训练成为更有能力的雪橇犬。

Dogbetter是从雪橇犬中随机选择的个体，选择完成任务。同样的,Dogworst是没有被选中执行任务的雪橇犬。

4. 雪橇犬的退役。对于雪橇犬来说，每次拉雪橇都会对它们的身体造成某种伤害。随着他们拉雪橇次数的增加，他们受伤的可能性也大大增加。一旦雪橇狗受伤，它们就很难完成任务。考虑到雪橇犬的身体状况，它们将不得不退役。

SDO伪代码：

首先通过几个性能指标（包括搜索历史、搜索轨迹和种群多样性）对SDO进行定性分析。其次，在CEC 2017和CEC 2020上，将SDO与几个新颖优秀的元启发式方法进行了比较。结果表明，SDO在求解无约束优化问题方面具有非常好的性能。然后将SDO进一步应用于CEC 2020实际问题测试集，以测试其解决具有约束的实际优化问题的能力。最后，扩展并提出了一个应用SDO的新的路径规划模型。在这些有约束的问题中，SDO表现良好，具有很好的应用前景。SDO在所有实验中展示了出色的勘探和开发能力控制。可以说，SDO推动了元启发式算法的进步，为现实世界中的复杂优化问题提供了另一种新的强大技术。