【24年优化算法】捕鱼优化算法（CFOA）：一种解决聚类问题的新的人类行为算法

MATLAB科研小白

于 2024-12-28 21:37:33 发布

阅读量1.3k

点赞数 18

分类专栏：智能优化算法文章标签：算法聚类数据挖掘

本文链接：https://blog.youkuaiyun.com/yuchunyu12/article/details/144795673

版权

智能优化算法专栏收录该内容

72 篇文章

订阅专栏

捕鱼优化算法（Catch fish optimization algorithm,CFOA）是期刊“Cluster Computing ”的2024年智能优化算法

01.引言

本文受传统农村捕鱼方法的启发，提出了一种基于人类行为的元启发式优化算法：Catch Fish optimization algorithm （CFOA）。该算法模拟了农村渔民在池塘中捕鱼的过程，该过程主要分为两个阶段：勘探阶段和开发阶段。在探索阶段，有两个搜索阶段：第一，基于个人经验和直觉的个体捕获阶段，第二，基于人类熟练使用工具和协作的群体捕获阶段。在探索阶段从独立搜索过渡到群体捕获。开发阶段：所有渔民将鱼群围起来，共同打捞剩余的鱼，这是一种集体捕捞策略。CFOA模型就是基于这两个阶段。本文采用IEEE CEC 2014和IEEE CEC 2020测试函数对CFOA的优化性能进行了测试，并与其他11种优化算法进行了比较。采用IEEE CEC2017函数对CFOA的整体性能进行评价。实验结果表明，CFOA总体上表现出优异而稳定的优化能力。此外，我们将CFOA应用于数据聚类问题，最终结果表明，CFOA在处理聚类问题时的总体错误率小于20%，聚类效果较好。综合实验结果表明，CFOA在面对不同的优化问题时均表现出优异的优化效果。

02.优化算法的流程

本文提出的 CFOA 算法是用“Trouble-the Water to Catch the Fish”的隐喻构思的，模拟人类的捕鱼行为。隐含含义如下：

“烦水抓鱼”的本义是指将池塘中的水搅动，使鱼在浑浊的水中迷失方向，然后抓住机会不费吹灰之力就抓住它们的技术。在《三十六策略》[33]中，它比喻了在敌人或对手的队伍中制造混乱，并利用由此产生的混乱来获得好处。正如浑浊水域中的鱼难以辨别方向并容易受到捕食者的攻击一样，在复杂的冲突中，较弱的一方可能会动摇并带来可利用的机会。然而，抓住机会不能仅仅依靠等待;它需要积极主动地努力创造有利的局面。当情况变得复杂时，开始搅动水面可以采取战略行动。总之，CFOA 算法体现了在浑水摸鱼的主动和战略方法，与在混乱中寻找机会的古老智慧相一致。在农村捕鱼的过程涉及几个步骤。钓鱼前，人们通常会通过排干池塘来降低池塘中的水位。然后，他们要么用手进入池塘，要么用工具捕鱼。当水位下降时，鱼往往会寻找藏身之处，而池塘内人员的移动使水变得浑浊。在浑浊的水中，鱼需要浮出水面呼吸空气，使渔民更容易看到它们。这为渔民创造了有利的局面，但对鱼不利，因为它们在这种环境中变得更容易捕获。

CFOA 的核心理念是通过集团内部的协作努力实现最大的鱼类捕获量。个人可以使用工具并协作在复杂的水体中钓鱼，分享各自的捕鱼经验。根据这些经验，他们可以辨别出最佳的钓鱼方向，并找到更有利的鱼群聚集点。具体实施框架概述如下：

(1)人类和动物的区别在于思想和意识的领域。在渔民寻找鱼巢的过程中，他们积极扰动沿途的水，产生浑浊，有利于有利的捕鱼环境。每个已探查的渔场中隐藏的鱼数量因渔民而异。渔民借鉴他人的捕鱼经验，以这些信息为参考，利用他们的专业知识来确定寻找更好的鱼类种群的最佳位置。

(2)工具的使用和团队内的协作构成了人类的优势。渔民相互合作，使用渔网包围潜在的鱼类种群，防止鱼类逃脱，从而提高整体捕捞率。

(3)团队合作的最大潜力是通过集体包围来实现的。所有渔民将鱼驱赶到一个共同的位置，形成一个封闭的圆圈，以最大限度地聚集所有鱼，最终捕获到最多的鱼。

综上所述，捕捞鱼优化算法分两个阶段实现：探索阶段，涉及分散勘探优势和协作捕捞，以及开发阶段，通过协同包围努力来利用集体力量。

03.论文中算法对比图

04.部分代码

%% Catch Fish Optimization Algorithm
function [Best_score,Best_pos,cg_curve]=CFOA(SearchAgents_no,Max_EFs,lb,ub,dim,fobj)
%% ---------------------Initialization parameter--------------------------%
Fisher=initialization(SearchAgents_no,dim,ub,lb);
newFisher=Fisher;
EFs=0;
Best_score=inf;
Best_pos=zeros(1,dim);
cg_curve=zeros(EFs,1);
fit=inf.*ones(SearchAgents_no,1);
newfit=fit;
%% -----------------------Start iteration run-----------------------------%
while EFs<Max_EFs
    for i=1:SearchAgents_no
        Flag4ub = newFisher(i,:)>ub;
        Flag4lb = newFisher(i,:)<lb;
        newFisher(i,:)=(newFisher(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        newfit(i)=fobj(newFisher(i,:));
        if newfit(i)<=fit(i)
            fit(i)=newfit(i);
            Fisher(i,:)=newFisher(i,:);
        end
        if newfit(i)<=Best_score
            Best_pos=Fisher(i,:);
            Best_score=fit(i);
        end
        EFs=EFs+1;
        cg_curve(EFs)=Best_score;
        if EFs>=Max_EFs
            break;
        end
    end
   
    if EFs<Max_EFs/2
            alpha=((1-3*EFs/2*Max_EFs)^(3*EFs/2*Max_EFs));
            p=rand;
            pos=randperm(SearchAgents_no);
            i=1;
            while i <= SearchAgents_no
                per=randi([3 4]);                                          %Randomly determine the size of the group
%% ---------------------Independent search (p < α)------------------------%
                if p < alpha || i+per-1>SearchAgents_no
                    r=randi([1 SearchAgents_no]);
                    while r==i
                        r=randi([1 SearchAgents_no]);
                    end
                    Exp=((fit(pos(i))-fit(pos(r)))/(max(fit)-Best_score));%
                    rs=rand(1,dim)*2-1;
                    rs=norm(Fisher(r,:)-Fisher(i,:)).*rand.*(1-EFs/Max_EFs)*rs/(rs*rs')^0.5;
                    newFisher(pos(i),:)=Fisher(pos(i),:)+(Fisher(pos(r),:)-Fisher(pos(i),:)).*Exp+(abs(Exp)^0.5).*rs;
                    i=i+1;
%% ------------------------Group capture (p ≥ α)--------------------------%
                else
                    aim=sum(fit(pos(i:i+per-1))/sum(fit(pos(i:i+per-1))).*Fisher(pos(i:i+per-1),:));
                    newFisher(pos(i:i+per-1),:)=Fisher(pos(i:i+per-1),:)+rand(per,1).*(aim-Fisher(pos(i:i+per-1),:))+(1-2*EFs/Max_EFs).*(rand(per,dim)*2 -1);
                    i=i+per;
                end
            end
        
            
    else
%% -------------------------Collective capture----------------------------%
        sigma=(2*(1-EFs/Max_EFs)/((1-EFs/Max_EFs)^2+1)).^0.5;
        for i=1:SearchAgents_no
            W=abs(Best_pos-mean(Fisher)).*(randi([1 3])/3)*sigma;
            newFisher(i,:)=Best_pos+(normrnd(0,W,1,dim));
        end
    end
end
end