智能优化算法：松鼠优化算法
@[toc]
摘要：松鼠优化算法是于2018年提出的一种简单高效的新型优化算法，具有收敛快寻优强的特点。
1.算法原理
飞行松鼠是一类栖息在树上并在夜间进行活动的啮齿动物，它们特别适合滑翔运动。目前，飞行松鼠共有15属44种，其中大部分分布在欧洲和亚洲的落叶林区（特别是东南亚）。在欧亚大陆以外发现的、研究最多的是南部飞行松鼠。飞行松鼠被认为是空气动力学上最复杂的物种，它有一个类似降落伞的膜，可以帮助松鼠改变升力和阻力，在高空中从一棵树滑翔到另一棵树。飞行松鼠不会飞行，而是采用滑翔方式快速和有效地跨越很长的距离。松鼠之所以要滑翔，是为了躲避捕食者、寻找捕食的最佳地点和以较小的代价进行捕食。
飞行松鼠的觅食策略灵活多变，这可以帮助飞行松鼠以最佳的方式应对食物资源。比如，松鼠为了满足秋季的营养需求，它们选择吃掉可以大量获取的橡树籽，将山核桃存储在巢穴里、其他洞穴中或者地底下。由于冬季温度低且营养需求较高，飞行松鼠在觅食时如发现山核桃就立刻慈鲷，如果没有山核桃，飞行松鼠会从储存的备用食物中吃山核桃。因此，飞行松鼠根据营养需求，有选择地吃一些坚果和储存其他坚果。
为了简化数学模型，考虑以下假设。落叶森林中有 n只松鼠，每只松鼠停留在一棵树上。每只松鼠都单独寻找食物，并通过动态觅食行为来优化利用食物资源。在森林中，只有三种类型的树 —普通树、橡树和山核桃树。飞行松鼠的位置在SSA算法中由向量表示，每个向量有多个维度。因此，飞行松鼠可以在一维、二维、三维或超维搜索空间中滑行来改变它们自身的位置。
1.1 种群初始化
森林中有n只飞鼠，第i只松鼠的位置可以通过一个矢量来确定。所有松鼠的位置在边界范围内随机初始化，如下式：
代表第i只松鼠第j维的值。ub，lb分别为变量的上下边界。rand为[0,1]之间的随机数。
1.2 适应度值评价
每只松鼠位置的适应值描述了食物源的等级，即最佳食物源(山核桃树)、正常食物源(橡树)和无食物来源(普通树)。在存储了每只松鼠的位置的适应值后，数组按升序排序。最小适应值的松鼠停留在山核桃树上，接下来的三只松鼠停留在橡树上，它们可以向山核桃树飞行，其余的松鼠停留在普通树上。通过随机选择方式，选择已经满足每日所需能量的松鼠朝着山核桃树移动，剩余的松鼠将朝着橡树移动以获取每日所需能量。松鼠的觅食行为会受到天敌的影响，松鼠具体采用哪种移动策略也要根据天敌的出现概率（Pdp）而定。
1.3 生成新位置
在飞行松鼠的觅食过程中，可能会出现三种情况。在每种情况下，假设在没有天敌的情况下，松鼠在整个森林中滑行并高效地搜寻它最喜欢的食物，而天敌的存在使它变得谨慎，松鼠被迫在小范围内随机行走，来搜寻附近的躲藏地点。
①第一种情况，在橡树上的松鼠会向山核桃树移动
其中 是随机滑行距离，
是[0,1]范围内的随机数，
是山核桃树的位置，
表示当前迭代。滑动常数
实现全局与局部搜索之间的平衡，经过大量分析论证，
的值设为1.9。
②第二种情况，在普通树上的松鼠会向橡树移动
是[0,1]范围内的随机数。
③第三种情况，一些在普通树上的松鼠已经吃了橡果，它们可能会向山核桃树移动以便储存山核桃来应对食物短缺。
是[0,1]范围内的随机数。
所有情况下，天敌出现的概率都为0.1。
1.4 滑翔的空气动力学
松鼠的滑行机制是通过平衡滑行来描述的，升力(L)和阻力(D)之和产生一个合力(R)，该合力与飞鼠的重力大小相等且方向相反。因此，R以恒定速度(V)保证松鼠能够在直线上与水平面成一定角度 下降滑行。升阻比或滑行比定义如下：
松鼠可以通过减小下滑角来增加滑行路径长度，从而提高升阻比。升力是空气撞击膜产生了向下的偏转而产生的反推力的结果，定义为:
其中( )为空气密度，
称为升力系数，
为速度，
)为松鼠膜表面积。
是摩擦阻力系数，低速移动时松鼠增加阻力，高速移动时松鼠减小阻力。
其中是滑行后发生的高度减少量，计算
所需的所有参数值，包括
和
，都是来自于自然界的真实测量值。因此，松鼠可以根据着陆位置，简单地改变升阻比来改变其滑行路径长度或
。
的取值为[0.675,1.5]之间的某个值，
的值为0.6。飞行松鼠通常在一次滑行中行进5到25米的水平距离，在SSA算法模型中，滑行距离在9~20米的范围内。
的值过大会引起大的扰动，可能导致算法的性能不能令人满意。因此将d g 除以一个称为比例因子(
)的非零值，
= 18使得
在[0.5，1.11]区间内浮动。因此，
有助于实现全局搜索和局部寻优之间的均衡状态。
1.5 季节变化条件
季节变化会显著影响飞行松鼠的觅食活动，松鼠在低温条件下会损失大量热量。因为它们的体温高、体型小，导致觅食过程的代价很大，并且由于天敌的存在而具有风险。与秋天相比，气候条件迫使它们在冬天不太活跃。在SSA算法中通过检查季节变化条件，防止算法陷入局部最优。
①计算季节常量
②计算季节变化条件
其中和
分别是当前和最大迭代值，
值影响算法的全局和局部搜索能力。
的值较大会有利于全局搜索，而
的较小值有利于算法的局部搜索。对于任何启发式算法，全局和局部搜索过程需要进行有效的平衡。这种平衡可以通过滑动常数
来维持也可以通过在迭代过程中自适应地
改变 的值来实现。
③如果季节变化条件得到满足（冬天结束），则随机改变普通树上松鼠的位置。
列维分布（Levy distribution）能够帮助算法以更好和更有效的方式进行全局搜索，列维飞行（Levy flight）帮助算法寻找远离当前最佳位置的新位置。列维飞行是一种随机改变步长的方法，其中步长是从列维分布中得出的。
其中 和
是[0,1]区间上的两个正态分布随机数， β =1.5，σ 计算如下:
算法步骤
1）定义输入参数
2）为n只松鼠生成随机位置
3）评估每只松鼠位置的适应值
4）根据飞行松鼠的适应值，按升序排列它们的位置
5）将飞行松鼠分配到山核桃树、橡子树和普通树
6）While(不满足停止准则)
8）for z=1 to n1(橡树上向山核桃树移动的松鼠数量)
9）利用公式（2）更新松鼠位置
10）for u=1 to n2(普通树上向橡树移动的松鼠数量)
11）利用公式（3）更新松鼠位置
12）for e=1 to n3(普通树上向山核桃树移动的松鼠数量)
13）利用公式（4）更新松鼠位置
14）计算松鼠适应值，升序排列位置，将飞行松鼠分配到
山核桃树、橡子树和普通树
15）判断季节变化条件是否满足，满足则根据公式（14-
16）更新普通树上松鼠位置
16）根据公式（13）更新 的值
17）计算松鼠适应值，升序排列位置，将飞行松鼠分配到
山核桃树、橡子树和普通树
18）程序While循环结束，输出山核桃树上松鼠的位置和
适应值。
2.实验结果
3.参考文献
[1]韩毅,徐梓斌,张亮.国外新型智能优化算法——松鼠觅食算法[J].现代营销(信息版),2019(09):44-45.
