智能优化算法：海洋捕食者算法
@[toc]
摘要：海洋捕食者算法 ( Marine Predators Algorithm，MPA) 是Afshin Faramarzi 等人于 2020 年提出的一种新型元启发式优化算法，其灵感来源于海洋适者生存理论，即海洋捕食者通过在Lévy 游走或布朗游走之间选择最佳觅食策略。具有寻优能力强等特点。
1.算法原理
MPA 优化过程数学描述如下:
(1)初始化阶段。与大多数元启发式算法类似，MPA 随机在搜索空间范围内初始化猎物位置来启动优化过程。数学描述如下:
式中: 、
为搜索空间范围;
为［0，1］内的随机数。
(2) MPA 优化阶段。在迭代初期，当捕食者速度比猎物速度快时，基于勘探策略的 MPA 优化过程数学描述如下:
式中: 为移动步长;
为呈正态分布的布朗游走随机向量;
为由顶级捕食者构造的精英矩阵;
为与精英矩阵具有相同维数的猎物矩阵;
为逐项乘法运算符;
等于 0.5;
为［0，1]内均匀随机向量;
为种群规模;
、
分别为当前和最大迭代次数。
在迭代中期，当捕食者与猎物速度相同时，猎物基于 Lévy游走策略负责开发;捕食者基于布朗游走策略负责勘探，并逐渐由勘探策略转向开发策略。开发和勘探的数学描述如下:
式中: 为 呈 Lévy 分 布 的 随 机 向 量;
,为控制捕食者移动步长的自适应参数;其他参数意义同上。
在迭代终期，当捕食者速度比猎物速度慢时，捕食者基于Lévy 游走采用开发策略。其数学描述如下:
式中:其他参数意义同上。
(3)FADs 效应或涡流。鱼类聚集装置(FADs)或涡流效应通常改变海洋捕食者觅食行为，这一策略能使 MPA 在寻优过程中克服早熟收敛问题，逃离局部极值。其数学描述如下:
式中:FADs为影响概率，取 0.2;为二进制向量;
为［0，1］内随机数;
、
分别为猎物矩阵的随机索引。
算法流程：
步骤1：设定算法参数，初始化种群。
步骤2：计算适应度值，记录最优位置
步骤3：捕食者根据迭代阶段，从式（2）-（6)中选择对应的更新方式，更新捕食者位置
步骤4：计算适应度值，更新最优位置
步骤5：判断是否满足停止条件，如果不满足则重复步骤3-5，否则输出算法最优结果。
2.实验结果
3.参考文献
[1]胡顺强,崔东文.基于海洋捕食者算法优化的长短期记忆神经网络径流预测[J].中国农村水利水电,2021(02):78-82+90.
