水母搜索(JS)算法(含MATLAB代码)

news2024/11/27 12:38:45

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。

水母搜索(Jellyfish Search, JS)算法是于2021年提出的一种新型群智能优化算法。水母搜索行为的模拟包括它们的洋流跟随，它们在水母群中的运动(主动运动和被动运动)，以及在这些运动之间切换的时间控制机制。作者使用了一套综合的Benchmark函数进行测试，并应用于一系列工程结构问题。相比于其他启发式算法，JS不仅表现最好，而且需要最少的目标函数评估，具有寻优能力强，收敛速度快等特点。

“Chou J S, Truong D N. A novel metaheuristic optimizer inspired by behavior of jellyfish in ocean[J]. Applied Mathematics and Computation, 2021, 389: 125535.”

01
灵感来源

水母生活在世界上不同深度和温度的水中。它们酷似钟状，一些水母的直径小于1cm。它们有各种各样的颜色、大小和形状。大多数水母偏好海洋环境。它们进食的方式有两种：1.利用触手把食物送进嘴里；2.以触手过滤水中的微小的浮游生物，经口腕沟靠纤毛作用送入口。它们捕食方式也有两种：1.食用洋流带来的任何食物(被动)；2.主动捕食猎物，利用触手刺中猎物，令其动弹不得(主动)，如图1所示。

图1 水母利用触手捕食猎物

水母可以自己控制移动。它们下侧像一把伞一样合拢，利用体内喷水反射前进。尽管它们拥有这种能力，但是它们大多数漂流在水中依靠洋流和潮汐运动。当条件有利时，水母会形成群，这种被称为水母潮(Jellyfifish Bloom)。水母是一种脆弱的生物，维持水母潮的关键是它们相对洋流的方向，才不至于被搁浅。

水母自身的运动和洋流的运动促成了水母潮的形成，这种现象在海洋中随处可见。水母去的地方，食物数量各不相同。因此，通过食物比例的比较，确定最佳位置。作者以水母在海洋中的搜索行为和运动为灵感，提出了JS算法。图2给出了算法的大致步骤。

图2 水母在海洋中的种群行为

02
算法设计

水母搜索算法通过模拟水母跟随洋流和在种群内部的运动方式(主动运动和被动运动),以及在这些运动之间切换的时间控制机制来建立数学模型。

首先，JS算法的三个理想化规则(模型假设)：

1.水母要么跟随洋流，要么在群内自身移动，这两者运动由时间控制机制切换；

2.在海洋中，水母寻找食物时，它们会被食物数量更多的位置吸引；

3.找到的食物数量由该位置和对应的目标函数决定。

在这三条准则的基础上，JS算法的描述如下：

03
计算流程

JS算法的计算流程图如图3所示：

图3 JS的计算流程

04
实验仿真

这里对JS算法的性能进行简单的测试。首先将JS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。此外，种群规模取N等于50，Benchmark函数分别采用了CEC2005测试集、CEC2013测试集、CEC2014测试集、CEC2017测试集和CEC2020优化函数测试集。这里对仿真结果进行简要展示，就不再进一步做分析了。

首先，我们来检验一下JS算法对全局勘探和局部开发的平衡能力。如图4所示，是JS算法在CEC2005测试函数f7上的勘探和开发占比曲线。

图4 JS在CEC2005 f7上的勘探和开发百分占比变化曲线

其次，以CEC2005的多峰函数Ackley (f10)为例，展示JS算法在30维环境下的收敛效果。在之前我还推送过几期海洋中的其他动物算法，如：鲸鱼优化算法(WOA)及其优秀变体(含MATLAB代码)、樽海鞘群算法(SSA)(含MATLAB代码)、旗鱼优化(SFO)算法(含MATLAB代码)、䲟鱼优化算法(ROA)(含MATLAB代码)、白鲸优化(BWO)算法(含MATLAB代码)

将它们作为对比算法，看看谁才是“海洋一哥”！最大迭代次数T均设为1000，比较它们的收敛性能，如图5所示。