✅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。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
本文提出了一种新的基于群体智能的元启发式算法，称为海马优化器（SHO），其灵感来自自然界中海马的运动、捕食和繁殖行为。在前两个阶段，SHO分别模拟了海马的不同运动模式和概率捕食机制。具体来说，海马的运动方式分为受海洋漩涡作用螺旋状漂浮或沿海流漂流。对于捕食策略，它模拟了海马以一定概率捕获猎物的成功或失败。此外，由于男性怀孕的独特性，在第三阶段，所提出的算法旨在在保持父本积极信息的同时进行后代繁殖，有利于增加种群多样性。这三种智能行为被数学表达和构建，以平衡 SHO 的局部开发和全局探索。SHO 的性能是在 23 个知名函数和 CEC2014 基准函数上与六种最先进的元启发式算法进行比较的。最后，利用五个现实世界的工程问题来测试 SHO 的有效性。实验结果表明，SHO是一种高性能的优化器，对处理约束问题具有积极的适应性。SHO 源代码可从以下位置获得：SHO 的性能是在 23 个知名函数和 CEC2014 基准函数上与六种最先进的元启发式算法进行比较的。最后，利用五个现实世界的工程问题来测试 SHO 的有效性。实验结果表明，SHO是一种高性能的优化器，对处理约束问题具有积极的适应性。SHO 源代码可从以下位置获得：SHO 的性能是在 23 个知名函数和 CEC2014 基准函数上与六种最先进的元启发式算法进行比较的。最后，利用五个现实世界的工程问题来测试 SHO 的有效性。实验结果表明，SHO是一种高性能的优化器，对处理约束问题具有积极的适应性。
⛄ 部分代码
%_______________________________________________________________________________________%
% Sea-Horse optimizer (SHO)
%_______________________________________________________________________________________%
clear all
clc
close all
popsize=30; % Number of search agents
Max_iter=500; % Maximum iteration
F_name='F15'; % Name of the test function that can be from F1 to F23 (Table 2,3,4 in the paper)
[LB,UB,Dim,fobj]=BenchmarkFunctions(F_name);% Load details of the selected benchmark function
tic
[ObjectiveFitness,ObjectivePosition,Convergence_curve,Trajectories,fitness_history, population_history]=SHO(popsize,Max_iter,LB,UB,Dim,fobj);
time=toc;
figure('Position',[284 214 660 290])
%Draw search space
subplot(1,2,1);
func_plot(F_name);
title('Test function')
xlabel('x_1');
ylabel('x_2');
zlabel([F_name,'( x_1 , x_2 )'])
grid off
subplot(1,2,2);
semilogy(1:Max_iter,Convergence_curve,'color','r','linewidth',2.5);
title('Convergence curve');
xlabel('Iteration');
ylabel('Best score obtained so far')
display(['The running time is:', num2str(time)]);
display(['The best solution obtained by SHO is : ', num2str(ObjectiveFitness)]);
display(['The best optimal sea horse of the objective funciton found by SHO is : ', num2str(ObjectivePosition)]);
⛄ 运行结果
⛄ 参考文献
Zhao, S., Zhang, T., Ma, S. et al. Sea-horse optimizer: a novel nature-inspired meta-heuristic for global optimization problems. Appl Intell (2022). https://doi.org/10.1007/s10489-022-03994-3
