智能优化算法：象群算法-附代码
@[toc]
摘要：象群优化算法（Elephant Herding Optimization, EHO）是 Wang 等人于2016 年提出了一种新的群体智能优化算法，用于解决全局无约束优化问题，它源于自然界中大象的畜牧行为。它已经成功应用于多级别阈值，支持向量机参数优化，调度问题等诸多问题。尽管 EHO 算法是一种较新的元启发式算法，但它有着结构简单、控制参数少以及易于和其它方法相结合等特点，能够很好的解决寻优问题。
1.算法原理
在自然界中，一个象群可分为几个氏族，每个氏族都有母象作为首领，在每一代中，一定数量的雄象会离开氏族。对于不同氏族的的大象在族长（氏族中位置最好的大象）的领导下生活，固定数量的雄象在长大后会离开它们所在的氏族，从而执行氏族更新操作来更新氏族中每个大象的位置，得到新的大象氏族位置，随后执行分类操作，进而优化氏族中位置较差的大象位置。
在基本的象群优化算法中氏族代表着局部搜索，离开氏族的雄象则执行全局搜索。在基本的 EHO 算法中，先进行更新操作决定算法的搜索方向和局部搜素详细程度，随后实现分离操作。这个过程包括两个阶段：氏族更新操作和分离操作。
1.1 氏族更新操作
来自不同群体的大象在族长的领导下一起生活。 女族长是氏族中适应度最好的大象。每个大象的位置都根据其位置和女族长的位置进行更新。 族长的位置根据氏族中心的位置进行更新。
随机初始化大象种群，将大象种群分为 个氏族，每个氏族中有
个大象个体，在每次迭代中，每个大象
的位置都会随氏族
中族长（适应度值最好的位置
,）移动：
式中：,是更新后的位置，
,是上一代的位置，
,是在氏族
中适应度最好的位置，
代表氏族中位置最佳的女族长
,对大象个体
的影响的比例因子，
是算法后期用来提高种群多样性的随机数。
氏族 中女族长的位置
,被定为：
式中： 代表第二个算法参数，它控制氏族中心
的影响。氏族中心被定义为：
其中代表第
维，
是搜索空间的总维数，
是氏族
中大象的数量。
1.2 氏族分离操作
雄性大象在长大后会离开他们的群体，以增加群体的全局搜索能力和密度。最坏的大象（适应度最差的大象）被删除，并在搜索空间进行随机搜索以增加搜索性能。
在每个氏族中，具有最差适应度函数值的恒定数量的大象会被移动到新的位置。它们的位置定义为：
其中和
分别表示搜索空间的下限和上限,
。
EHO 算法的基本步骤如下：
Step1: 初始化种群、设置最大迭代次数。
Step2: 用适应度函数计算每个大象个体的适应度值，得到当前最优个体位置。
Step3: 根据公式（1）更新种群中每个大象个体的位置，使用公式（2）更新当前最优个体的位置。
Step4: 计算更新之后的每个大象个体的适应度值，评估种群，得到更新后的种群最优和最差的大象个体位置。
Step5: 使用公式（4）更新当前最差个体位置，保留更好的解。
Step6: 判断是否达到最大迭代次数，若是，则输出当前最优个体位置以及对应的适应度值，否则返回执行 Step2。
2.算法结果
3.参考文献
[1]张子建,王宏伟,周怀芳,尤森槟.基于多机制混合象群算法的混沌系统参数估计[J].微电子学与计算机,2020,37(06):40-45.
[1]曹倩倩. 象群优化算法的改进及其在网络入侵检测中的应用[D].湖北工业大学,2020.
4.Matlab代码
https://mianbaoduo.com/o/bread/aZeTlpY=
