蝎子捕猎策略算法

AI 应用开发 × 算法面试题:业务场景实战 12 题【TopK、LRU、RRF 融合、相似度、限流算法,含手撕代码与底层答案】 本文聚焦AI应用岗算法面试新趋势,剖析12道融合业务场景的高频题:从海量日志中挖掘慢查询(分治+小顶堆)、亿级去重(布隆过滤器)、向量与关键词融合排序(RRF)、语义缓存设计(带租户隔离与TTL的LRU)到限流策略(令牌桶+滑动窗口),强调“场景复述→算法选型→手撕代码→生产落地”四步答题框架。突出考察点已从纯算法转向工程权衡、业务理解与系统设计能力,如误判容忍度、实时性与内存预算的平衡,助力开发者应对2026年真实技术挑战。 阅读详情

蝎子捕猎策略(Scorpion Hunting Strategy Swarm Algorithm,SHS)算法是一种受蝎子捕猎行为启发的创新算法。在自然界中,蝎子通过精确的神经感知系统和振动感知能力,能够高效定位并捕捉猎物。基于这一生物学原理,研究人员提出了SHS算法,旨在解决复杂的优化问题。该算法通过模拟蝎子捕猎的精确定位和定向策略,实现了在探索和开发之间的平衡,能够有效处理高维度和难度较大的优化任务。实验结果表明,SHS算法在解决多个基准问题时展现了卓越的性能,为优化领域提供了一种全新的解决方案。

该成果于2024年通过在arXiv平台发布。

与其他依靠视觉定位猎物的生物不同,蝎子利用一种特殊的神经感知系统,能够高效整合复杂的感觉信息,协调一致地移动,从而定位并攻击猎物(如蜘蛛、蟋蟀、滚地虫和其他蝎子)。它们利用位于基节腿部的裂感器官感知猎物所产生的振动,从而精确定位猎物的位置。蝎子能够通过精确定位猎物的位置进行捕猎,距离可达到50厘米。然而,对于更远的距离,它们只能精确定位猎物的方向。一旦蝎子定位到猎物,它们通常会使用毒刺、钳子和前跖部来中和猎物(如下图所示)。

蝎子的捕猎和摄取过程可以分为七个步骤,如下图所示。第一步是通过感知振动定位猎物,并通过调整身体方向与猎物对齐。第二和第三步中,蝎子伸出钳子抓住并捕捉猎物。根据猎物的大小或抵抗能力,蝎子在第四步中可能会刺杀猎物一次或两次。蝎子用钳子压碎猎物,并通过从猎物的头部开始进食来启动摄取过程。为了确保顺利和不间断的进食,蝎子有时会将猎物带到靠近巢穴的更安全地方。

1、算法原理

与任何基于种群的元启发式算法类似,SHS算法也从种群的初始化开始。将种群初始化为 ,其中 的范围从1到 , 表示种群的总数,包含蝎子和其他动物(猎物或捕猎者)。种群中的每个个体都被视为一个搜索代理(或候选解),其位置信息由以下矩阵给出:

其中,dim是 变量的维度。初始时,每个候选解的位置通过使用连续随机均匀分布(unifrnd)随机生成,该分布具有下限LE和上限UE,分别表示为:

其中, 表示第 个候选解在第 维度上的位置, 的范围从1到dim。 和 分别表示优化问题中第 维候选解的下限和上限。相应的代价(或适应度)值由以下公式给出:

其中 是优化问题的代价函数。考虑到最小化优化任务,具有最小代价值的候选解被视为最优解,记为 。 通过对种群进行排序和排名计算得出,如下式所示:

振动信号定义了两个种群成员之间的关系:如果一只蝎子成员朝着一个猎物成员移动,则称为 α 振动;如果蝎子朝着一个捕猎者成员移动,则称为 β 振动。如果一只蝎子朝另一只蝎子移动,则称为 αβ 振动的变异,如下图所示。

代价函数决定了蝎子是否与猎物或捕猎者相遇的概率。然而,蝎子与另一只蝎子相遇,即在 αβ 变异过程中的概率为20%(µ = αβ = 0.2)。在这种情况下,具有较强钳子(ω)和毒刺(ψ)能力的蝎子将占主导地位。

在蝎子之间的任何相互作用之后,信号振动将通过一个阻尼比(µdamp = 0.98)进行更新。种群成员将在检测到任何振动时继续相互移动。然而,算法将继续进行,直到达到终止条件,即最大迭代次数。在每次迭代后, α 和 β 的值将增加一个单位,该过程如算法1所示。

种群成员相互靠近的移动是通过信号或振动吸收系数计算的,公式如下:

其中 表示种群中两个成员之间的距离。 表示从一个点到另一个点的振动吸收系数(即从蝎子的位置到猎物的位置)。 的较低值表示两个成员之间的距离较大,因为信号振动较弱。当两个成员在检测到振动时靠近彼此时, 的值将增加。蝎子的更新位置 根据以下公式计算:

其中 是先前的位置, 是αβ变异, 是多样性因子,用于结合沿运动路径的多样性。这个属性使得算法更加动态,减少了线性性。它是一个均匀随机向量,由以下公式给出:

其中 是均匀变异范围,计算为 。最后,αβ变异根据以下公式更新:

最佳解通过对与新位置相对应的代价函数进行排序和排名来获得,按照以下公式计算:

所提出的SHS算法的详细流程图如下图所示。

2、结果展示

3、MATLAB核心代码

%% 淘个代码 %%
% 微信公众号搜索:淘个代码,获取更多代码
% 蝎子捕猎策略(Scorpion Hunting Strategy Swarm Algorithm,SHS)
function [best_pos, best_fit, convergence] = SHS_Simple(func, nvars, lb, ub, max_iter, pop_size)
% Simple Scorpion Hunting Strategy (SHS) Optimization
%
% Inputs:
%   func      - Objective function handle
%   nvars     - Number of variables
%   lb        - Lower bound
%   ub        - Upper bound
%   max_iter  - Maximum iterations (default: 500)
%   pop_size  - Population size (default: 30)
%
% Outputs:
%   best_pos  - Best solution
%   best_fit  - Best fitness
%   convergence - Convergence history

%% Default Parameters
if nargin < 5, max_iter = 500; end
if nargin < 6, pop_size = 30; end
%% Initialize Population
positions = lb + (ub - lb) * rand(pop_size, nvars);
fitness = zeros(pop_size, 1);
% Evaluate initial population
for i = 1:pop_size
    fitness(i) = func(positions(i, :));
end
% Find best
[best_fit, best_idx] = min(fitness);
best_pos = positions(best_idx, :);
convergence = zeros(max_iter, 1);
fprintf('SHS Started: %d variables, %d population, %d iterations\n', nvars, pop_size, max_iter);

%% Main Loop
for iter = 1:max_iter
    % Exploration factor (decreases over time)
    a = 2 - 2 * iter / max_iter;
    for i = 1:pop_size
        if rand < 0.5
            %% Hunting Phase (Exploration)
            if rand < 0.5
                % Hunt towards best position
                new_pos = positions(i, :) + 2 * a * (best_pos - positions(i, :)) .* rand(1, nvars);
            else
                % Hunt towards random scorpion
                r = randi(pop_size);
                new_pos = positions(i, :) + 2 * a * (positions(r, :) - positions(i, :)) .* rand(1, nvars);
            end
        else
            %% Attacking Phase (Exploitation)
            new_pos = best_pos + (2 * rand(1, nvars) - 1) .* abs(best_pos - positions(i, :));
        end
        % Apply bounds
        new_pos = max(new_pos, lb);
        new_pos = min(new_pos, ub);
        % Evaluate new position
        new_fit = func(new_pos);
        % Update if better
        if new_fit < fitness(i)
            positions(i, :) = new_pos;
            fitness(i) = new_fit;
            % Update global best
            if new_fit < best_fit
                best_fit = new_fit;
                best_pos = new_pos;
            end
        end
    end
    % Store convergence
    convergence(iter) = best_fit;
    % Show progress
    if mod(iter, 100) == 0
        fprintf('Iteration %d: Best fitness = %.6e\n', iter, best_fit);
    end
end
fprintf('SHS Completed! Best fitness: %.6e\n', best_fit);

% Plot convergence
figure;
semilogy(1:max_iter, convergence, 'LineWidth', 2);
xlabel('Iteration');
ylabel('Best Fitness');
title('SHS Convergence');
grid on;
end
%% Test Functions
function f = sphere_func(x)
    f = sum(x.^2);
end

function f = rosenbrock_func(x)
    f = sum(100*(x(2:end) - x(1:end-1).^2).^2 + (1 - x(1:end-1)).^2);
end
function f = rastrigin_func(x)
    f = 10*length(x) + sum(x.^2 - 10*cos(2*pi*x));
end

参考文献

[1] Singh A, Mousavi S M H, Gaurav K. SHS: Scorpion Hunting Strategy Swarm Algorithm[J]. arXiv preprint arXiv:2407.14202, 2024.

完整代码获取

后台回复关键词:


获取更多代码:

基于 nRF52840 与六轴 IMU 的跌倒检测告警器设计:姿态算法、误报抑制与 BLE 上报 三阶段判决 + 坐姿过滤 + 用户取消这三件事,比换多高级的算法都管用。误报率压下来,设备才有人愿意戴;有人戴,检出率才有意义。往上扩展可以加心率/血氧辅助判断、加 GPS 定位、加与社区护理系统的对接。但每加一个传感器,都要重新跑一遍误报测试——告警类产品,信任一旦失去很难重建。说明:代码为核心模块骨架,完整工程需补齐 IMU 驱动、BLE NUS 服务、按键消抖与 RTC;文中阈值为实测参考值,请按佩戴位置与目标人群重新整定。 阅读详情

相关推荐

高通410刷OpenWRT后网络共享配置全攻略

本文详细解析了在高通410设备刷入OpenWRT后,因基带文件丢失导致无法上网的常见问题。核心解决方案是通过SMB网络共享,将备份的原厂基带文件传输至OpenWRT系统并正确还原,从而恢复移动网络连接。文章提供了从备份基带、刷机到配置共享和文件替换的完整操作指南。

grafana6viz的博客 572

群体智能优化算法之狩猎搜索(Hunting Search,Hus)

一种新的元启发式优化算法:狩猎搜索(Hunting Search,Hus) 灵感 狩猎搜索是一种模拟群体动物(狮子,狼等)捕食狩猎行为地元启发式算法,这些动物会采取一些策略包围和捕捉猎物。例如,狼就非常依赖这种捕猎方式,来捕食比自己更大更快的动物,它们选定目标猎物后,整个狼群就会逐渐向其靠近,狼聪明的地方在于它们不会站在风向上游以免猎物嗅到气味,而这可以应用到带有约束的问题中以避开不可行区域。在狩...

松间沙路的博客 6349

【Telephony】Telephony总纲!Phone进程流程(AOSP)

整个Framework层的Telephony框架运行在一个叫做Phone(com.android.phone)的进程中。 Phone进程启动的过程中,会初始化非常多的分支功能,SIM卡流程初始化就是其中之一,所以我觉得有必要写一下Phone进程的框架

weixin_44513784的博客 1981

基于蝎子捕猎策略优化的LSTM深度学习网络模型(SHS-LSTM)的一维时间序列预测算法matlab仿真

摘要:本文提出了一种基于蝎子捕猎策略(SHS)优化的LSTM网络层数选择方法(SHS-LSTM),用于一维时间序列预测。该方法通过三个阶段的智能优化:全局感知探索筛选候选层数,局部潜伏利用验证最优层数,最后进行突袭反馈的泛化验证。实验采用MATLAB 2022A/2024B实现,包含网络训练参数设置、预测执行和结果反归一化等核心程序。该方法有效解决了传统LSTM层数选择依赖经验的问题,通过SHS算法与LSTM的融合,实现了预测精度的提升。完整程序代码可通过指定方式获取。

熟悉python,matlab,C,C++,JAVA等 1052

Habitat安装全网最详细教程,手把手带你跑通example.py(全网唯一)

全网最详细具身智能仿真平台habitat的安装教程

shannanshouyin的博客 2762

使用Qt Creator调用eBUS SDK

在新界面,勾选左下角“ Show unreachable Network Devices",可以看到没有成功连接的网络相机,原因是IP地址配置错误。每个版本的OpenCV的依赖项的名字都不同,我这里是opencv_world490.lib与opencv_world490d.lib。函数,可以看到在这里是图像缓存区,能够对捕获的图像进行一些操作。在Visual Studio打开项目属性,在VC++目录这里,把Opencv的路径添加进去。这时,会自动跳转到mainwindow.cpp,生成该按钮对应的槽函数。

qq_35685051的博客 1290

键象:基于马王堆帛书《周易》原文及甲骨文还原

当前人工智能分为两个: Ai语言大模型——就是:天涯论坛“数据”。天涯论坛被颠覆一周后第一个语言大模型发布,同时海外建立“天涯论坛”同类型平台。 Ai视觉处理机械自动化——就是:周易“象理数算”

weixin_47727169的博客 693

华为OD新系统机试真题 - 失灵的键盘(C/C++/Py/Java/Js/Go)

华为OD新系统机试真题 【失灵的键盘】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD4月15号机试真题【失灵的键盘】

qq_45776114的博客 1076

【算法拾光】队列|在每个树⾏中找最⼤值 + 最后⼀块⽯头的重量

本文总结两道经典算法题:一是通过层序遍历(BFS)逐层找最大值,利用队列分层处理,每层维护最大值;二是用大根堆(优先队列)模拟石头碰撞过程,每次取最大两块石头,差值重新入堆,直至剩余一块或无石。前者适用于树的层次遍历,后者适合动态获取最值场景。核心思想:队列用于分层遍历,堆用于高效取极值。

wuqingyigexiaoba的博客 202

Qt入门教程【基础控件篇】QLineEdit输入框

QLineEdit输入框

小鱼酱的博客 3264

SAP-ABAP:字符与数值类型转换详细指南

SAP-ABAP:字符与数值类型转换详细指南

baidu_35680696的博客 1490

把 KV Cache 压到 FP4:BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上,而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构,在B300上把服务吞吐提升2.4–3.0倍,精度几乎不掉。

helloagent的博客 320

Pytorch实现之SRGAN+CBAM的结构设计

在SRGAN的残差连接中加入了CBAM注意力机制,同时设计了四类损失来训练。

LJ1147517021的博客 575

优选算法:分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 154

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

408 算法 06|堆与 Top-K:最小的 10 个数,到底该用数组还是堆

2022(42) 找 100 万个数里最小的 10 个,官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数:k=10 时两者几乎打平,k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。

m0_56226131的博客 453

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

算法64,字母异位词分组

代码核心思路是:互为字母异位词的字符串,在对其字符进行排序后,一定会得到相同的字符串。因此,可以将排序后的字符串作为哈希表的键(Key)来进行分组。

sheshibenniaodan的博客 219

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

408 算法 04|主元素与三元组最小距离:两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选,但真正的考点是"选完必须验票";2020(41) 的三元组最小距离,三指针每次只挪最小的那个,靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出,附官方评分档位表。

m0_56226131的博客 457

【MPC 算法】Python 实战:模型预测控制(MPC)算法原理与代码实现

本文介绍模型预测控制(MPC)原理与Python实现。MPC通过滚动优化预测未来状态,结合系统模型、目标函数与约束条件,动态生成最优控制序列。以一阶温度系统为例,使用CVXPY构建凸优化问题,实现加热功率的智能调控。代码包含模型预测、目标函数设计(含温度跟踪与控制平滑惩罚)、输入约束及滚动更新机制。仿真结果表明,MPC能快速稳定温度至目标值60℃,且控制动作平滑合理,体现其在复杂系统中的优越性。

赖德发的博客 71

【前缀和+复合离散化】题解:双色矩形(two)_数据结构_算法优化_预处理_二维前缀和_STL_C++算法竞赛

给定一个 $n \times n$ 的黑白棋盘,初始按 $i+j$ 奇偶染色,经 $k$ 个格子颜色翻转后,求子矩形中黑白格子数差的绝对值最大值。由于 $n$ 可达 $10^9$,但 $k \leq 50$,可离散化关键点。枚举所有由修改点构成的矩形及其四边向外扩展(共 $16$ 种扩展方式),利用二维前缀和快速计算变化量,结合奇偶性判断多出的格子颜色,最终取最大绝对差。时间复杂度为 $O(k^4)$,在 $k \leq 50$ 下可行。

YLCHUP的博客 215

算法62&&63,存在重复元素

判断整数数组中是否有任意元素出现至少两次。:判断数组中是否存在两个。,且索引差值的绝对值。

sheshibenniaodan的博客 107

商业综合体公摊电费分摊算法:512 商户双层权重与尾差实测

公摊电费分摊算法是指把公共回路电量按公示权重拆到每户的规则化计算过程,核心不是权重多精巧,而是每张账单都能被租户手算复现。某珠三角商业综合体 512 户商户实测:固定费与变动费按 4:6 加权,尾差用余数递补压到 0.01 千瓦时精度,24 个月 12288 张账单重算差异为零,月度争议从 31 起降到 2 起。适用边界:商铺与租户已独立装表、公共回路已分项计量的商业综合体适用;末端未装表、靠总表减合计倒推公摊的场景不适用,先把表补齐再谈分摊。

185

搜索算法详解(3)Floodfill 问题

本文介绍了Floodfill算法的核心思想——通过BFS或DFS寻找连通块,并以“Lake Counting”和“填涂颜色”两道经典题目为例,演示如何应用该算法解决实际问题。前者统计地图中连通水坑数量,后者利用“正难则反”策略,从边界出发标记可联通的0,从而找出被包围的区域。文章强调基础不等于简单,算法能力需长期积累,鼓励读者坚持练习,积小流成江海。

Fcy648的博客 163

2026华为OD机试真题 10月14日 新系统 【分组字符串排序】

华为OD机试真题 新系统【分组字符串排序】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题 【分组字符串排序】多语言题解。

qq_45776114的博客 467

MySQL 锁机制全解析:从行锁算法到死锁排查

关于 MySQL 锁,网上的资料极多,但读完之后往往还是不会排查问题。混乱一:不同层的锁混为一谈MDL是 Server 层的元数据锁,是 Server 层的表锁,AUTO-INC锁是表级的特殊锁,而行锁、间隙锁是 InnoDB 引擎层的。它们的释放时机、冲突关系、排查手段完全不同,混在一起讲必然糊涂。混乱二:以为"读"都会加锁普通SELECT在 InnoDB 里是快照读,完全不加锁。只有FOR UPDATEFOR SHAREUPDATEDELETEINSERT这类当前读才会加锁。

2301_78530027的博客 348

贪心题目:可以到达的最远建筑

为了到达尽可能远的建筑物,在将砖块替换成梯子时,应将高度差最大位置的砖块替换成梯子,此时剩余的砖块数量最多,如果将高度差较小位置的砖块替换成梯子,则剩余的砖块数量较少,能到达的最远建筑物下标不可能更大。开始向后面的建筑物移动,移动过程中维护优先队列存储正高度差,优先队列的队首元素是最大元素,每次遇到正高度差时优先考虑使用砖块,如果砖块数量不够则使用梯子替换最大高度差位置的砖块,直到砖块和梯子都使用完毕时,到达的建筑物即为最远建筑物。如果以最佳方式使用给定的梯子和砖块,返回可以到达的最远建筑物的下标。

stormsunshine的博客 301

STL 之 string:算法练习

本文总结了C++中string常用接口及十大经典题目解法,涵盖字符串反转、查找、相加、相乘、回文判断等。重点强调易错点:size_t与int混用、find返回值应与string::npos比较、substr长度参数的使用、频繁修改中间位置效率低等问题,提醒开发者注意边界条件与性能优化。

octopus_c的博客 97
上一篇: 优化算法APP服务器异常紧急通知!
下一篇: 全网首份C-MAPSS航空发动机寿命预测MATLAB代码,基于SE-ResNet网络的发动机寿命预
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值