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
2022年，MA Akbari等人受到自然界中猎豹捕猎行为启发，提出了猎豹优化器（The Cheetah Optimizer，CO）。
2.算法原理
2.1算法思想
CO法对猎豹的捕猎机制进行模拟，主要包括搜索、坐等和攻击 3 种策略。
2.2算法过程
搜索策略
猎豹用两种方式寻找猎物：即在区域内全范围扫描或主动搜索。在狩猎期间，根据猎物的条件、区域的覆盖范围和猎豹自身的条件，猎豹可能会选择这两种搜索模式的连锁。位置更新为：
x i , j t + 1 = x i , j t + r i , j − 1 ⋅ α i , j t (1) x_{i,j}^{t+1}=x_{i,j}^{t}+r_{i,j}^{-1}\cdot\alpha_{i,j}^{t}\tag{1} xi,jt+1=xi,jt+ri,j−1⋅αi,jt(1)
其中，ri,ai为猎豹i的随机化参数和步长，ai一般可设置为0.001*t/T。
坐等策略：
为避免猎物意识到猎豹的存在，猎豹保持位置，等待猎物靠近：
x i , j t + 1 = x i , j t (2) x_{i,j}^{t+1}=x_{i,j}^{t}\tag{2} xi,jt+1=xi,jt(2)
该策略能够避免 CO 过早收敛。
攻击策略：
猎豹利用速度和灵活性捕捉猎物。在群体狩猎中，每只猎豹可以根据逃跑的猎物和首领或附近猎豹的状态调整自己的位置：
x i , j t + 1 = x B , j t + θ i , j ⋅ β i , j t (3) x_{i,j}^{t+1}=x_{B,j}^{t}+\theta_{i,j}\cdot\beta_{i,j}^{t}\tag{3} xi,jt+1=xB,jt+θi,j⋅βi,jt(3)
其中，B代表猎物， θ , β \theta,\beta θ,β转向因子和相互作用因子。
伪代码：
3.结果展示
4.参考文献
[1] Akbari M A, Zare M, Azizipanah-Abarghooee R, et al. The cheetah optimizer: A nature-inspired metaheuristic algorithm for large-scale optimization problems[J]. Scientific reports, 2022, 12(1): 10953.
