【智能算法】囊状虫群算法（TSA）原理及实现

在这里插入图片描述

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）。

在这里插入图片描述

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。

在这里插入图片描述

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:
$\begin{aligned}&\vec{A}=\frac{\vec{G}}{\vec{M}}\\&\vec{G}=c_{2}+c_{3}-\vec{F}\\&\vec{F}=2\cdot c_{1}\end{aligned}\tag{1}$

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:
$\vec{M}=\begin{bmatrix}P_{min}+c_1\cdot P_{max}-P_{min}\end{bmatrix}\tag{2}$

向最优领域个体移动

$\vec{PD}=\mid\vec{FS}-r_{and}\cdot\vec{P_{p}(x)}\mid \tag{3}$
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:
$\vec{P_p(x)}=\begin{cases} \vec{FS}+\vec{A}\cdot\vec{PD},&\text{if}r_{and}\geq0.5\\ \vec{FS}-\vec{A}\cdot\vec{PD},&\text{if}r_{and}<0.5\end{cases}\tag{4}$

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:
$P_{p}(\vec{x+1})=\frac{\vec{P_{p}(x)}+P_{p}(\vec{x+1})}{2+c_{1}}\tag{5}$
在这里插入图片描述

伪代码

在这里插入图片描述

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

在这里插入图片描述

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.

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/3908.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！