---

1.背景

2022年，Naruei等人受到自然界动物猎食过程启发，提出了猎人猎物算法（Hunter-Prey Optimization， HPO）。

2.算法原理

2.1算法思想

HPO模拟了自然界中动物的捕猎过程，算法的核心思想是：猎人追逐被捕猎物远离群体的个体，并根据被捕猎物的平均位置调整自身位置；而被捕猎物也动态调整自身位置以更安全地躲避捕食者。

2.2算法过程

猎人捕猎：

$$\begin{array}{rl}\mathbf{x}(t+1)& =\mathbf{x}(t)+0.5[(2C\mathbf{Z}{\mathbf{P}}_{\text{pos}}-\mathbf{x}(t))+(2(1-C)\mathbf{Z}\mathbf{\mu }-\mathbf{x}(t))]\end{array}\text{\hspace{1em}(1)}$$
其中，x（t）表示猎人当前时刻的位置；x（t+1）表示猎人下一时刻的位置；Ppos是当前猎人所追逐猎物的位置，一般选择距离种群平均位置最远个体作为Ppos；μ是当前种群中所有个体位置的平均值；C是探索与开发之间的平衡参数；Z 是算法的自适应参数；μ、C 和 Z 的计算公
式分别为：
$$\begin{array}{rl}& \mathbf{\mu }=\frac{1}{N}\sum _{i=1}^N{\mathbf{x}}_i\\ & C=1-t\times (0.98/MaxIt)\\ & Z=R2\times \mathbf{IDX}+R3\otimes (\sim \mathbf{IDX})\\ & \mathbf{IDX}=R1>C\end{array}\text{\hspace{1em}(2)}$$

猎物移动：

$$x_i(t+1)={\mathbf{T}}_{\mathrm{pos}}+\mathbf{CZ}cos(2\pi R4)\times ({\mathbf{T}}_{\mathrm{pos}}-{\mathbf{x}}_i(t))\text{\hspace{1em}(3)}$$
HPO的关键是猎人和猎物的身份选择，判断搜索代理以猎人或猎物的身份来进行信息更新：
$${\mathbf{x}}_i(t+1)=\{\begin{array}{l}{\mathbf{x}}_i(t)+0.5[(2C\mathbf{Z}{\mathbf{P}}_{\mathrm{pos}}-{\mathbf{x}}_i(t))+(2(1-\mathbf{C})\mathbf{Z}\mathbf{\mu }-{\mathbf{x}}_i(t))],\mathbf{R}5<\mathbf{\beta }\\ {\mathbf{x}}_i(t+1)={\mathbf{T}}_{\mathrm{pos}}+C\mathbf{Z}cos(2\pi R4)\times ({\mathbf{T}}_{\mathrm{pos}}-{\mathbf{x}}_i(t)),otherwise\end{array}\text{\hspace{1em}(4)}$$
其中，R5是［0，1］内随机数，β为调节参数，值为0.2。如果R5<β，则将该搜索代理视为猎人，根据猎人捕猎机制更新位置；如果R5≥β，则将该搜索代理视为猎物，根据猎物移动机制更新位置。

流程图：

3.结果展示

4.参考文献

[1] Naruei I, Keynia F, Sabbagh Molahosseini A. Hunter–prey optimization: Algorithm and applications[J]. Soft Computing, 2022, 26(3): 1279-1314.