先做一个声明：文章是由我的个人公众号中的推送直接复制粘贴而来，因此对智能优化算法感兴趣的朋友，可关注我的个人公众号：启发式算法讨论。我会不定期在公众号里分享不同的智能优化算法，经典的，或者是近几年提出的新型智能优化算法，并附MATLAB代码。

鸡是一种群居性的动物,鸡群之间通过合作探索食物,群体中有领导地位的鸡是比较有优势的,它们可以第一时间获得食物,这种行为叫做等级制度。等级制度在鸡的社会生活中起着重要的作用,鸡群中的具有较强觅食行为的公鸡占优势,在雄鸡的周围有更多的母鸡和小鸡,鸡群在觅食的过程中,这种等级制度会不断的更新。Meng等人在2014年根据鸡群的等级制度和搜索食物行为提出了鸡群优化(Chicken Swarm Optimization, CSO)算法。它的原始参考文献如下：

“Meng X, Liu Y, Gao X, et al. A new bio-inspired algorithm: chicken swarm optimization[C]//Advances in Swarm Intelligence: 5th International Conference, ICSI 2014, Hefei, China, October 17-20, 2014, Proceedings, Part I 5. Springer International Publishing, 2014: 86-94.”

01
遵循规则

鸡群优化算法遵循如下规则：

1)将整个鸡群分成若干子群,每个子群都由一只公鸡,若干只母鸡和小鸡组成,即子群的个数由公鸡的个数决定。

2)按照每只鸡适应度值的大小将种群分为公鸡、母鸡和小鸡,其中适应度较好的为公鸡,适应度较差的为小鸡,其余的为母鸡。

3)公鸡、母鸡、小鸡三者之间的等级制度一旦确立将数代保持不变,等级制度每隔G(G∈[2,20])代更新一次。

4)每个组内母鸡跟随该组的公鸡觅食,也可随机偷取其他组内食物;每组内小鸡跟随妈妈母鸡进行觅食。

5)每一只鸡的位置都对应优化问题的一个解。假设在一个种群里有N个个体,公鸡的数量为NR,母鸡的数量为NH,小鸡的数量为NC,妈妈母鸡的数量为NM。妈妈母鸡是从母鸡中随机选取,每个母鸡妈妈有若干个孩子小鸡。

6)在鸡群中,不同等级的鸡的位置迭代方式有所不同。

02
算法设计

03
计算流程

 

04
实验仿真

将CSO算法用于函数寻优，算法的MATLAB程序是严格按照它的原始参考文献进行编码的。利用CEC2005测试集验证CSO的性能，这里选择2022年提出的金豺优化(GJO)算法进行效果对比(为了实验的公平性，两种算法的种群大小设置为50，最大迭代次数为500)。这里仅对仿真结果进行简要展示，不再进一步分析。

对比结果如下所示：

在个别函数上收敛曲线不见了，是因为已经收敛到理论最优值0了。我使用的是semilogy来绘制的收敛曲线，而semilogy画的是y轴的对数，因此，若曲线收敛到0，semilogy是画不出来的。

05
MATLAB代码

CSO算法对应的MATLAB代码链接如下：

CSO跑CEC2005测试集	公众号里有链接
CSO跑CEC2013测试集	公众号里有链接
CSO跑CEC2014测试集	公众号里有链接
CSO跑CEC2017测试集	公众号里有链接
CSO跑CEC2020优化函数测试集	公众号里有链接
CSO跑CEC2022优化函数测试集	公众号里有链接
CSO的勘探(Exploration)和开发(Exploitation)占比分析	公众号里有链接
CSO的工程应用(第1期)：压力容器设计、滚动轴承设计、拉伸/压缩弹簧设计、悬臂梁设计、轮系设计、三杆桁架设计	公众号里有链接
CSO的工程应用(第2期)：焊接梁设计、多盘离合器制动器设计问题、步进圆锥滑轮问题、减速机设计问题、行星轮系设计优化问题、机器人夹持器问题	公众号里有链接

可通过下方链接下载代码清单，在里面寻找需要的算法代码，然后去对应的链接获取。清单会同步更新，一旦有新的代码，就可以在清单里找到。清单里面有部分代码是开源获取的。可随时免费下载。

链接：https://pan.baidu.com/s/1n2vpbwuhpA8oyXSJGsAsmA

提取码：8023