【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！

---

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：
$$X_{new}^1(t+1)=\{\begin{array}{ll}{X}_i(t)+Levy(\lambda )((X_{elite}\left(t\right)-X_i\left(t\right))\times x\times y\times z+X_{elite})& r_1>0\\ & \\ X_i\left(t\right)+ran{d}^{\ast }{l}^{\ast }{\beta }_t{}^{\ast }\left(X_i\left(t\right)-{\beta }_t{}^{\ast }{X}_{elite}\right)& r_1\le 0\end{array}\text{\hspace{1em}(1)}$$
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%。
$$X_{new}^2\left(t+1\right)=\{\begin{array}{ll}{\alpha }^{\ast }\left(X_{elite}-ran{d}^{\ast }{X}_{new}^1\left(t\right)\right)+(1-\alpha {)}^{\ast }{X}_{elite}& if{r}_2>0.1\\ & \\ (1-\alpha {)}^{\ast }\left(X_{new}^1\left(t\right)-ran{d}^{\ast }{X}_{elite}\right)+{\alpha }^{\ast }{X}_{new}^1\left(t\right)& if{r}_2\le 0.1\end{array}\text{\hspace{1em}(2)}$$
海马移动步长a表述为：
$$\alpha ={\left(1-\frac{t}{T}\right)}^{\frac{2t}{T}}\text{\hspace{1em}(3)}$$
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:
$$X_i^{offspring}=r_3{X}_i^{father}+(1-r_3)X_i^{mother}\text{\hspace{1em}(4)}$$

伪代码：

3.结果展示

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！

---