2019智能优化算法：旗鱼优化算法-附代码

@[toc]
摘要：旗鱼优化器（Sailed fish Optimizer，SFO）是于2019提出的一种新型优化算法，具有寻优能力强，收敛快的优点。

1.算法原理

旗鱼优化器（SFO），它的灵感来自一群捕猎的旗鱼。这一方法由两个方面组成，一是加强对目前为止最佳群体的搜索，二是沙丁鱼种群的多样性搜索空间。

1.1初始化

旗鱼算法初始化包括旗鱼的初始化和沙丁鱼的初始化。其初始化是在给定的搜索空间内随机初始化。其中旗鱼种群用 $X_{SF}$ 表示，沙丁鱼种群用 $X_F$ 表示。初始化后，其中旗鱼适应度值最好的种群用 $X_{eliteSF}$ 表示。沙丁鱼适度值最好的种群用 $X_{injuredS}$ 表示。

1.2 旗鱼位置更新

旗鱼的位置更新用下式表示：
$X_{newSF}^i=X_{eliteSF}^i - \lambda_i*(rand(0,1)*(\frac{ + X_{eliteSF}^i + X_{injuredS}^i}{2}) - X_{oldSF}^i) \tag{1}$
其中 $X_{eliteSF}^i$ 表示在当前迭代次数i时，旗鱼的最佳位置。 $X_{injuredS}^i$ 表示在当前迭代次数i时，沙丁鱼的最佳位置。其中 $\lambda_i$ 系数的定义入下：
$\lambda_i = 2*rand(0,1)*PD-PD \tag{2}$

其中PD代表猎物群的密度用如下表达式表示：
$PD = 1 - \frac{N_{SF}}{N_{SF} + N_S}\tag{3}$
其中 $N_{SF},N_S$ 分别代表旗鱼和沙丁鱼的数量。

1.3 沙丁鱼的位置更新

沙丁鱼的位置更新如下式：
$X_{newS}^i = r*(X_{eliteSF}^i - X_{oldS}^i + AP) \tag{4}$
其中 $X_{eliteSF}^i$ 表示在当前迭代次数i时，旗鱼的最佳位置。AP代表旗鱼的攻击力度。其计算方式如下：
$AP = A*(1-2*Itr*e) \tag{5}$
其中A，e控制控制攻击力度的变换，使A线性变换到0.当AP>0.5时用上式更新沙丁鱼全部位置。当AP<0.5时。更新沙丁部分位置。

部分位置的范围定义如下：
$\alpha = N_S*AP\tag{6}$

$\beta = d_i*AP \tag{7}$

其中 $\alpha$ 代表要更新沙丁鱼的数量， $\beta$ 表示要更新的维度数量。

1.4 综合考虑旗鱼和沙丁鱼的位置

如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼的位置付给旗鱼，并且被移除。
$X_{SF}^i = X_S^i , if\, f(Si)<f(SF_i) \tag{8}$
算法流程如下：

Step1. 初始化种群和参数。

Step2.计算旗鱼和沙丁鱼的适应度值，并且记录最优适应度值和位置。

Step3.更新旗鱼位置。更新沙丁鱼位置。如果攻击力度小于0.5，计算 $\alpha,\beta$ 的值，并且更新部分位置。否则，全部跟新更新沙丁鱼位置。

Step4 . 沙丁鱼，旗鱼位置替换。

Step5.计算所有适应度值，并更新记录最优适应度值和位置。

Step7.是否满足迭代停止条件，如果满足则输出结果，否则重复Step2 - Step7；

2.算法结果

算法结果

3.参考文献

[1]S. Shadravan,H.R. Naji,V.K. Bardsiri. The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems[J]. Engineering Applications of Artificial Intelligence,2019,80.

4.Matlab代码

5.Python代码

见个人资料

智能优化算法：旗鱼优化算法