瞪羚优化算法（Gazelle Optimization Algorithm，GOA）由Agushaka等人于2022年提出，该算法模拟了瞪羚逃避捕食者的行为，思路新颖，性能高效。
瞪羚的身高60-110厘米，体重13-29千克。该属物种有像小鹿一样的浅棕色皮毛，身体的下部一般是白色的。然而，有些个体在背部和腹部的相邻部分有一个长长的黑色标记。雄性瞪羚有长而弯曲的角。瞪羚体质强壮，是非常敏捷的动物；脚上有4趾，但侧趾比鹿类更加退化，有适合长跑的腿，适于奔跑。可以以每小时50公里的速度持续奔跑。

瞪羚一般生活在沙漠和半沙漠、干旱的草原、树木繁茂的稀树草原、灌木丛生的草原、丘陵和浅林中。瞪羚是高度社会化的动物，所有的瞪羚都是群居的。一些群有多达700名成员，尽管一些瞪羚群很小并且按性别隔离。例如，雌性和年轻的幼羚生活在一起，还生活在10-30只雌性的群中。雄性单独生活或自己组群与其他雄性一起生活。雄性族群被称为单身汉族群。在迁徙过程中，雌雄混群，在交配季节，畜群的隔离更为突出，但只要有繁殖机会，它们就会被领地雄性分开。
瞪羚优化算法包含全局搜索，局部搜索和瞪羚逃生三个阶段：

一、种群随机初始化

Elite =[x1,1′x1,2′⋯x1,d−1′x1,d′x2,1′x2,2′⋯x2,d−1′x2,d′⋮⋮xi,j′⋮⋮xn,1′xn,2′⋯xn,d−1′xn,d′]\text { Elite }=\left[\begin{array}{lllll} x_{1,1}^{\prime} & x_{1,2}^{\prime} & \cdots & x_{1, d-1}^{\prime} & x_{1, d}^{\prime} \\ x_{2,1}^{\prime} & x_{2,2}^{\prime} & \cdots & x_{2, d-1}^{\prime} & x_{2, d}^{\prime} \\ \vdots & \vdots & x_{i, j}^{\prime} & \vdots & \vdots \\ x_{n, 1}^{\prime} & x_{n, 2}^{\prime} & \cdots & x_{n, d-1}^{\prime} & x_{n, d}^{\prime} \end{array}\right] Elite =⎣⎡x1,1′x2,1′⋮xn,1′x1,2′x2,2′⋮xn,2′⋯⋯xi,j′⋯x1,d−1′x2,d−1′⋮xn,d−1′x1,d′x2,d′⋮xn,d′⎦⎤
其中，xi,j=rand⁡×(UBj−LBj)+LBjx_{i, j}=\operatorname{rand} \times\left(\mathrm{UB}_{j}-\mathrm{LB}_{j}\right)+\mathrm{LB}_{j}xi,j=rand×(UBj−LBj)+LBj
瞪羚优化算法中涉及布朗运动及莱维飞行：

1.1布朗运动

布朗运动是悬浮微粒被分子撞击后做无规则运动。布朗运动是将看起来连成一片的液体，在高倍显微镜下看其实是由许许多多分子组成的。液体分子不停地做无规则的运动，不断地随机撞击悬浮微粒。当悬浮的微粒足够小的时候，由于受到的来自各个方向的液体分子的撞击作用是不平衡的。在某一瞬间，微粒在另一个方向受到的撞击作用超强的时候，致使微粒又向其它方向运动，这样就引起了微粒的无规则的运动，即布朗运动。布朗运动满足正态（高斯）概率分布函数：
fB(x;μ,σ)=12πσ2exp⁡(−(x−μ)22σ2)=12πexp⁡(−x22)f_{B}(x ; \mu, \sigma)=\frac{1}{\sqrt{2 \pi \sigma^{2}}} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)=\frac{1}{\sqrt{2 \pi}} \exp \left(-\frac{x^{2}}{2}\right)fB(x;μ,σ)=2πσ21exp(−2σ2(x−μ)2)=2π1exp(−2x2)

1.2莱维飞行

莱维飞行以法国数学家保罗·莱维命名，指的是步长的概率分布为重尾分布的随机行走，也就是说在随机行走的过程中有相对较高的概率出现大跨步。与步长分布没有重尾的随机行走相比，莱维飞行的运动轨迹就像时不时可以飞行一样，故名。当随机行走的空间维数高于一维时，莱维飞行通常还要求步长分布是各向同性的。
L(xj)≈∣xj∣1−αL\left(x_{j}\right) \approx\left|x_{j}\right|^{1-\alpha}L(xj)≈∣xj∣1−α
fL(x;α,γ)=1π∫0∞exp⁡(−γqα)cos⁡(qx)δqf_{L}(x ; \alpha, \gamma)=\frac{1}{\pi} \int_{0}^{\infty} \exp \left(-\gamma q^{\alpha}\right) \cos (\mathrm{qx}) \delta qfL(x;α,γ)=π1∫0∞exp(−γqα)cos(qx)δq
Levy⁡(α)=0.05×x∣y∣1α\operatorname{Levy}(\alpha)=0.05 \times \frac{x}{|y|^{\frac{1}{\alpha}}}Levy(α)=0.05×∣y∣α1x
其中，σx=[Γ(1+α)sin⁡(πα2)Γ((1+α)2)α2(α−1)2]1/α，σy=1,α=1.5，x=Normal⁡(0,σx2)，y=Normal⁡(0,σy2)\sigma_{x}=\left[\frac{\Gamma(1+\alpha) \sin \left(\frac{\pi \alpha}{2}\right)}{\Gamma\left(\frac{(1+\alpha)}{2}\right) \alpha 2^{\frac{(\alpha-1)}{2}}}\right]^{1 / \alpha}，\sigma_{y}=1, \alpha=1.5，x=\operatorname{Normal}\left(0, \sigma_{x}^{2}\right) ， y=\operatorname{Normal}\left(0, \sigma_{y}^{2}\right)σx=[Γ(2(1+α))α22(α−1)Γ(1+α)sin(2πα)]1/α，σy=1,α=1.5，x=Normal(0,σx2)，y=Normal(0,σy2)

二、全局搜索

该阶段模拟瞪羚在没有捕食者或者捕食者跟踪情形下的自由放牧，瞪羚采取布朗运动，其位置更新如下：

gazelle i+1=gazelle i+S.R∗.RB∗(Elite i−RB∗gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S . R * . R_{B} *\left(\text { Elite }_{i}-R_{B} * \text { gazelle } _{i})\right. gazelle i+1= gazelle i+S.R∗.RB∗( Elite i−RB∗ gazelle i)
其中，S表示瞪羚的移动速度，RBR_{B}RB表示基于布朗运动的随机向量，R是在取值为0~1之间的随数。

三、局部搜索

该阶段模拟瞪羚发现捕食者后的逃跑行为，分为两个阶段，并且每个阶段都依据迭代次数的奇偶性而采取两种相反运动。第一阶段：瞪羚在发现捕食者前期采取莱维飞行；第二阶段：瞪羚在发现捕食者后期采取布朗运动。

3.1第一阶段

瞪羚在发现捕食者的前期采取莱维飞行：
gazelle i+1=gazelle i+S⋅μ⋅R∗⋅RL∗. (Elite i−RL∗gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot R * \cdot R_{L} * \text {. }\left(\text { Elite }_{i}-R_{L} * \text { gazelle }_{i}\right) gazelle i+1= gazelle i+S⋅μ⋅R∗⋅RL∗. ( Elite i−RL∗ gazelle i)
其中，μ\muμ为-1或1，表示两种运动方向；RLR_{L}RL表示基于 Lévy 分布的随机数向量。

3.2第二阶段

瞪羚在发现捕食者的后期采取布朗运动：
gazelle i+1=gazelle i+S⋅μ⋅CF∗.RB∗(Elite i−RL∗⋅gazelle i)\text { gazelle }_{i+1}=\text { gazelle }_{i}+S \cdot \mu \cdot CF * . R_{B} *\left(\text { Elite }_{i}-R_{L} * \cdot \text { gazelle }_{i}\right) gazelle i+1= gazelle i+S⋅μ⋅CF∗.RB∗( Elite i−RL∗⋅ gazelle i)
其中，CF=(1−iterMaxiter )(2iter Maxiter )C F=\left(1-\frac{i t e r}{\text { Maxiter }}\right)^{\left(2 \frac{\text { iter }}{\text { Maxiter }}\right)}CF=(1− Maxiter iter)(2 Maxiter iter )表示捕食者的累积效应。

四、瞪羚逃生

瞪羚面对捕食者时的存活率为0.66，这意味着捕食者有34%的机会狩猎成功，用PSRs表示捕食者的狩猎成功率，并以此对瞪羚逃生过程建立数学模型：
gazelle i+1={gazelle i+CF[LB+R∗.(UB−LB)]∗.Uif r≤PSRsgazelle i+[PSRs(1−r)+r](gazell r1−gazelle r2)else \text { gazelle }_{i+1}=\left\{\begin{array}{ll} \text { gazelle }_{i}+C F[L B+R * .(U B-L B)] * . U & \text { if } r \leq P S R s \\ \text { gazelle }_{i}+[P S R s(1-r)+r]\left(\text { gazell }_{r_{1}}-\text { gazelle }_{r_{2}}\right) & \text { else } \end{array}\right. gazelle i+1={ gazelle i+CF[LB+R∗.(UB−LB)]∗.U gazelle i+[PSRs(1−r)+r]( gazell r1− gazelle r2) if r≤PSRs else
其中，r为0~1之间的随机数。

五、GOA算法描述

五、GOA算法流程

参考文献：Agushaka, J.O., Ezugwu, A.E. & Abualigah, L. Gazelle optimization algorithm: a novel nature-inspired metaheuristic optimizer. Neural Comput & Applic (2022). https://doi.org/10.1007/s00521-022-07854-6

瞪羚优化算法（Gazelle Optimization Algorithm，GOA）相关推荐

瞪羚优化算法Gazelle optimization algorithm附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
多旅行商问题：鹈鹕优化算法(Pelican Optimization Algorithm,POA)求解多仓库多旅行商问题（提供Matlab代码）
一.鹈鹕优化算法鹈鹕优化算法(Pelican Optimization Algorithm,POA)由Pavel Trojovský和Mohammad Dehghani 于2022年提出,该算法模拟 ...
Adam优化算法(Adam optimization algorithm)
Adam优化算法(Adam optimization algorithm) Adam优化算法基本上就是将Momentum和RMSprop结合在一起. 初始化 2.在第t次迭代中,用mini-batch ...
两种鲸鱼优化算法 (whale optimization algorithm, WOA)及仿真实验——附代码
目录摘要: 算法设计: WOA总体流程图如下: 增强型WOA(E-WOA) 仿真运行效果: 完整程序: 摘要: 鲸鱼优化算法 (whale optimization algorithm,WOA)是 ...
【WOA】鲸鱼优化算法(Whale Optimization Algorithm,WOA)理论分析与matlab性能仿真,使用CEC2017测试
一.WOA鲸鱼优化理论简介 WOA算法设计的既精妙又富有特色,它源于对自然界中座头鲸群体狩猎行为的模拟, 通过鲸鱼群体搜索.包围.追捕和攻击猎物等过程实现优时化搜索的目的.在原始的WOA中,提供了包围 ...
【深度学习笔记】优化算法（ Optimization Algorithm）
本文依旧是吴恩达<深度学习工程师>课程的笔记整理与拓展. 一.优化算法的目的与挑战优化算法主要是用来加快神经网络的训练速度,使得目标函数快速收敛. 优化问题面临的挑战有病态解.鞍点.梯度 ...
单目标应用：瞪羚优化算法（Gazelle Optimization Algorithm，GOA）优化BiLSTM权值和阈值（提供Matlab代码）
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪羚的身高60-11 ...
多目标优化算法：基于非支配排序的瞪羚优化算法（Non-Dominated Sorting Gazelle Optimization Algorithm，NSGOA）
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪羚的身高60-11 ...
单目标应用：瞪羚优化算法GOA求解旅行商问题TSP（提供Matlab代码）
一.瞪羚优化算法瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪 ...

瞪羚优化算法（Gazelle Optimization Algorithm，GOA）