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
- 5.代码获取
1.背景
2024年，SO Oladejo受到徒步旅行启发，提出了徒步优化算法（Hiking Optimization Algorithm, HOA）。
2.算法原理
2.1算法思想
HOA灵感来自于徒步旅行，它认识到优化问题的搜索景观与徒步旅行者所穿越的山区地形之间的相似性。HOA的数学模型以Tobler徒步函数(Tobler’s walking Function, THF)为前提，该函数通过考虑地形的高程和行走距离来确定徒步者的步行速度。
参数解释
2.2算法过程
Tobler徒步函数(Tobler’s walking Function, THF)表述为:
W i , t = 6 e − 3.5 ∣ S i , t + 0.05 ∣ (1) \mathcal{W}_{i,t}=6e^{-3.5\left|S_{i,t} + 0.05\right|}\tag{1} Wi,t=6e−3.5∣Si,t+0.05∣(1)
斜率表述为:
S i , t = d h d x = tan θ i , t (2) S_{i,t}=\frac{\mathrm{d}h}{\mathrm{d}x}=\tan\theta_{i,t}\tag{2} Si,t=dxdh=tanθi,t(2)
HOA利用了徒步旅行者作为一个群体的社会思维和个人徒步旅行者的个人认知能力。徒步者的更新速度或实际速度是由THF、领队徒步者的位置、徒步者的实际位置和扫描因子决定的初始速度的函数，曲线的当前速度:
W i , t = W i , t − 1 + γ i , t ( β b e s t − α i , t β i , t ) (3) \mathcal W_{i,t}=\mathcal W_{i,t-1}+\gamma_{i,t}(\beta_{best}-\alpha_{i,t}\beta_{i,t})\tag{3} Wi,t=Wi,t−1+γi,t(βbest−αi,tβi,t)(3)
位置更新:
β i , t + 1 = β i , t + W i , t (4) \beta_{i,t+1}=\beta_{i,t}+W_{i,t}\tag{4} βi,t+1=βi,t+Wi,t(4)
伪代码
3.结果展示
4.参考文献
[1] Oladejo S O, Ekwe S O, Mirjalili S. The Hiking Optimization Algorithm: A novel human-based metaheuristic approach[J]. Knowledge-Based Systems, 2024, 296: 111880.
