【智能算法】火烈鸟搜索算法（FSA）原理及实现

devtools/2024/9/24 13:14:36/

在这里插入图片描述

1.背景

2021年，W Zhiheng等人受到火烈鸟迁徙觅食行为启发，提出了火烈鸟搜索算法（Flamingo Search Algorithm, FSA）。

在这里插入图片描述

2.算法原理

2.1算法思想

FSA受到火烈鸟的觅食和迁徙行为的启发，火烈鸟通过互相鸣叫传递关于食物供应的信息并更新其位置，FSA在未知的搜索空间中通过模拟火烈鸟之间的交互，不断更新位置以探索并寻找全局最优解。FSA主要包含两个阶段：喙的扫描和脚的移动。

在这里插入图片描述

2.2算法过程

交际行为允许火烈鸟通过呼叫传递关于食物丰富位置的信息，从而引导群体更新位置，即使个体不完全知晓全局最优位置。喙扫描行为则模拟火烈鸟在富含食物的区域进行更密集的搜索，通过嘴部和脚部动作调整扫描范围和频率。这两种行为结合，使得FSA能在不确定和动态的环境中有效寻找最优解，平衡全局探索与局部利用。
火烈鸟觅食的移动步长为火烈鸟喙的扫描范围加上脚的移动距离:
$b_{ij}^t=\varepsilon_1\times xb_j^t+G_2\times\left|G_1\times xb_j^t+\varepsilon_2\times x_{ij}^t\right|\tag{1}$
更新火烈鸟觅食行为位置:
$x_{ij}^{t+1}=(x_{ij}^{t}+\varepsilon_{1}\times xb_{j}^{t}+G_{2}\times\left|G_{1}\times xb_{j}^{t}+\varepsilon_{2}\times x_{ij}^{t}\right|)/K\tag{2}$
当前觅食区域食物匮乏时，火烈鸟种群会迁移到下一个食物更丰富的区域:
$x_{ij}^{t+1}=x_{ij}^{t}+\omega\times(xb_{j}^{t}-x_{ij}^{t})\tag{3}$
其中，xbj表示第t次迭代种群中适应度最好的火烈鸟的第j维位置，ω = N(0, N)是一个N个自由度的高斯随机数，用于增加火烈鸟迁徙过程中的搜索空间，模拟特定迁徙过程中火烈鸟个体行为的随机性。