智能优化算法：鸡群优化算法

@[toc]

摘要：鸡群算法 (Chicken Swarm Optimization，CSO) 是一种新颖的仿生学算法，充分继承群智能优化特点，创新采用灶带个体分类、协作优化，最大程度挖掘最优解，又能很好避免早熟现象。具有收敛快，寻优能力强的特点。

新型的仿生学算法—鸡群优化算法，它模拟群的等级制度和鸡群的群体活动行为。 在特殊的等级制度下鸡群中不同鸡种搜寻食物时存在着竞争。公鸡搜索食物能力强，适应值小；母鸡其次；小鸡搜索食物能力最弱，适应值最大。

为了简化，文中通过下列规则理想化鸡群算法：

因为不同的鸡种有不同的运动规律， 因亏辩扒此，以下 3 种个体的位置更新策略各不相同。

适应度好的公鸡能够在更大的范围内搜索食物，而且比适应度差的公鸡能够优先获得食物实现全局搜索，它的位置更新受随机选取的其他公鸡位置的影响，则更新策略见式（1）-（2）

式 (1)-(2) 中：第只公鸡位置的第 j 维的值表示为， 表示当前的迭代次数，表示服从期望值为0 ，方差值为 2 的正态分布随机数， 第只公鸡的适应度为，随机选取公鸡的适应度为， 分母中加上无穷小数，避免除数为零。

母鸡跟随伙伴公鸡搜索食物，位置更新受伙伴公鸡位置影响。由于母鸡的偷食行为，位置更新又与其它公鸡和母鸡有关系，则更新策略见式 (3)-(5) 。

式 (3)-(5) 中： Rand 是一个服从 [0,1] 均匀分布的随机数，该母鸡的伙伴公鸡的适应度值为， 表示其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体的适应度值为，为其他鸡对其的影响因子。

小鸡在其母亲周围搜寻食物，它的搜索能力最差，位置受到母亲公鸡的影响，则更新策略见式 (6) 。

式 (6) 中：母亲母鸡 位置的第 维数值为，，母亲母鸡的位置对小鸡位置的影响因子为 ， 其为随机函数随机生成，取值范围一般为 (0,2) 。

步骤如下：

[1] MENG X ， LIU Y ， GAO X Z ， et al. A new bio-inspired algorithm: chicken swarm optimization[J]. Lecture Notes in Computer Science ,2014 ,8794(1):86-94.

[2] 胡汉梅,李静雅,黄景光.基于鸡群算法的微网经济运行优化[J].高压电器,2017,53(01):119-125.

https://mianbaoduo.com/o/bread/aJWbmZk=

文献复现：基于模拟退火的改进鸡群优化算法(SAICSO)

[1]李振璧,王康,姜媛媛.基于模拟退火的改进鸡群优化算法[J].微电子学与计算机,2017,34(02):30-33+38.

文献复现：一种改进的鸡群算法(ICSO)

[1]孔飞,吴定会.一种改进的鸡群算法[J].江南大学学报(自然科学版),2015,14(06):681-688.

文献复现:全局优化的改进鸡群销昌算法（ECSO)

[1]韩斐斐,赵齐辉,杜兆宏,刘升.全局优化的改进鸡群算法[J].计算机应用研究,2019,36(08):2317-2319+2327.

[r,c] = find(R == max(R(:)))检索扒世R中最大元素所在的位陆颤置早此败（行标r和列标c）

thetap = theta(c(1))theta（）是自定义函数

%不知道你具体的问题纤迹是什么，下面是一个最基本的pso算法解决函数极值问题，如果是一些大型的问题，需要对速度、惯性常数、和自适应变异做进一步优化，希望对你有帮助

function y = fun(x)

y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289

%下面是主程序

%% 清空环境

clc

clear

%% 参数初始化

%粒子群算法中的两个参数

c1 = 1.49445

c2 = 1.49445

maxgen=200 % 进化次数

sizepop=20 %种群规模

Vmax=1%速度限制

Vmin=-1

popmax=5%种群限制

popmin=-5

%% 产生初始粒子和速度

for i=1:sizepop

%随机产生一个种群

pop(i,:)=5*rands(1,2) %初始种群

V(i,:)=rands(1,2) %初始化速度

%计算适应度

fitness(i)=fun(pop(i,:)) %染色体的适应码昌度

end

%找最好的染色体

[bestfitness bestindex]=min(fitness)

zbest=pop(bestindex,:) %全局最佳

gbest=pop %个体最佳

fitnessgbest=fitness %个体最佳适应度值

fitnesszbest=bestfitness %全局最佳适应度值

%% 迭代寻优

for i=1:maxgen

for j=1:sizepop

%速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:))

V(j,find(V(j,:)>Vmax))=Vmax

V(j,find(V(j,:)<Vmin))=Vmin

%种群更新

pop(j,:)=pop(j,:)+0.5*V(j,:)

pop(j,find(pop(j,:)>popmax))=popmax

pop(j,find(pop(j,:)<popmin))=popmin

%自适应变异（避免粒子群算法陷入局部最优）

if rand>0.8

k=ceil(2*rand)%ceil朝正无穷大方向取整

pop(j,k)=rand

end

%适应度值

fitness(j)=fun(pop(j,:))

%个体最优更新

if fitness(j) <fitnessgbest(j)

gbest(j,:) = pop(j,:)

fitnessgbest(j) = fitness(j)

end

%群体最优更新

if fitness(j) <fitnesszbest

zbest = pop(j,:)

fitnesszbest = fitness(j)

end

end

yy(i)=fitnesszbest

end

%% 结果分析

plot(yy)

title(['适应度曲线 ' '终止代数毁模并＝' num2str(maxgen)])

xlabel('进化代数')ylabel('适应度')

以上回答你满意么？

---