本文主要是介绍【智能算法】囊状虫群算法（TSA）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！
目录
- 1.背景
- 2.算法原理
- 2.1算法思想
- 2.2算法过程
- 3.结果展示
- 4.参考文献
1.背景
2020年，S Kaur等人受到囊状虫群自然行为启发，提出了囊状虫群算法（Tunicate Swarm Algorithm, TSA）。
2.算法原理
2.1算法思想
TSA模拟了囊状虫群在导航和觅食过程中的喷射推进和群体行为，群体行为会更新其他搜索代理关于最优解的位置。
2.2算法过程
冲突避免
为了避免个体之间的冲突，A 表示计算新的个体位置:
A ⃗ = G ⃗ M ⃗ G ⃗ = c 2 + c 3 − F ⃗ F ⃗ = 2 ⋅ c 1 (1) \begin{aligned}&\vec{A}=\frac{\vec{G}}{\vec{M}}\\&\vec{G}=c_{2}+c_{3}-\vec{F}\\&\vec{F}=2\cdot c_{1}\end{aligned}\tag{1} A=MGG=c2+c3−FF=2⋅c1(1)
其中，G代表重力，F代表洋流驱动力，M代表个体间相互作用力:
M ⃗ = [ P m i n + c 1 ⋅ P m a x − P m i n ] (2) \vec{M}=\begin{bmatrix}P_{min}+c_1\cdot P_{max}-P_{min}\end{bmatrix}\tag{2} M=[Pmin+c1⋅Pmax−Pmin](2)
向最优领域个体移动
P D ⃗ = ∣ F S ⃗ − r a n d ⋅ P p ( x ) ⃗ ∣ (3) \vec{PD}=\mid\vec{FS}-r_{and}\cdot\vec{P_{p}(x)}\mid \tag{3} PD=∣FS−rand⋅Pp(x)∣(3)
其中，FS代表食物位置（最优适应度）。
位置收敛
囊状虫群个体向最优个体收敛:
P p ( x ) ⃗ = { F S ⃗ + A ⃗ ⋅ P D ⃗ , if r a n d ≥ 0.5 F S ⃗ − A ⃗ ⋅ P D ⃗ , if r a n d < 0.5 (4) \vec{P_p(x)}=\begin{cases} \vec{FS}+\vec{A}\cdot\vec{PD},&\text{if}r_{and}\geq0.5\\ \vec{FS}-\vec{A}\cdot\vec{PD},&\text{if}r_{and}<0.5\end{cases}\tag{4} Pp(x)={FS+A⋅PD,FS−A⋅PD,ifrand≥0.5ifrand<0.5(4)
种群行为
模拟囊状虫群体行为，保存前两个最优解，并根据最优个体位置更新其他搜索个体的位置:
P p ( x + 1 ⃗ ) = P p ( x ) ⃗ + P p ( x + 1 ⃗ ) 2 + c 1 (5) P_{p}(\vec{x+1})=\frac{\vec{P_{p}(x)}+P_{p}(\vec{x+1})}{2+c_{1}}\tag{5} Pp(x+1)=2+c1Pp(x)+Pp(x+1)(5)
伪代码
3.结果展示
使用测试框架，测试TSA性能 一键run.m
- 【智能算法】省时方便，智能算法统计指标——一键运行~
CEC2017-F14
4.参考文献
[1] Kaur S, Awasthi L K, Sangal A L, et al. Tunicate Swarm Algorithm: A new bio-inspired based metaheuristic paradigm for global optimization[J]. Engineering Applications of Artificial Intelligence, 2020, 90: 103541.
这篇关于【智能算法】囊状虫群算法（TSA）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！
