樽海鞘算法(Salp Swarm Algorithm: SSA)

@[群智能算法](樽海鞘算法(Salp Swarm Algorithm: SSA))

1.算法背景

樽海鞘群算法(SSA) ¹是S.Mirjalili等人于2017年提出的一种元启发式算法。SSA是受海洋中的樽海鞘的成群行为启发的，樽海鞘是一种透明的生物，通过抽水穿过它们的身体在水中移动，它们在捕食时会形成 樽海鞘链 ，以方便种群的快速移动。如下图 ¹所示，(a)表示樽海鞘个体；(b)表示樽海鞘链。

2.数学模型

2.1对应关系

2.2位置更新

为了方便理解，$x_j^i$ 的上标表示种群的规模，即第几个候选解，下标则表示问题的维度

1.首先是种群初始化：
$$X=\left[\begin{array}{cccc}{x}_1^1& x_2^1& ...& x_d^1\\ x_1^2& x_2^2& ...& x_d^2\\ ...& ...& ...& ...\\ x_1^n& x_2^n& ...& x_d^n\end{array}\right]$$
x j i = r a n d ∗ ( u b j − l b j ) + l b j , i ∈ { 1 , 2 , . . . , n } , j ∈ { 1 , 2 , . . . , d } x^i_j=rand*(ub_j-lb_j)+lb_j,i \in \{1,2,...,n\},j \in \{1,2,...,d\} xji​=rand∗(ubj​−lbj​)+lbj​,i∈{1,2,...,n},j∈{1,2,...,d}
其中，$X$是一个 $n\ast d$ 的矩阵（$n$代表种群规模，即有多少个候选解；$d$代表问题的维度）， $ub$ 表示问题的上界，$lb$ 表示问题的下界, $rand$ 表示随机生成的一个0~1的随机数。
举个栗子：$y=x_1^2+x_2^2$，问题的维度是2，假设它上下界$ub=[10,10]$;$lb=[-10,-10]$（这个范围是根据问题来假设的）, 那么$x^i$的最大取值为[10,10]，最小取值为[-10, -10]，问题的最小值为0（当$x^i$取 [0, 0] 的时候）

2.樽海鞘的更新：
初始化种群后，会对每个樽海鞘进行适应度的评估，并按照适应度值进行排序，适应度最高的，排在第一位。算法会将樽海鞘群分为两组： 领导者 和 追随者 。领导者是链条前部的樽海鞘（排名靠前的樽海鞘），而其余的樽海鞘则是追随者。
领导者更新公式：
(1)

(2)$$r_1=2e^{-(\frac{4t}{T}{)}^2}$$
其中，$j$表示问题的维度，$x_j^{(1)}$表示第一个尊海鞘的第$j$个维度，$F_j$ 表示第$j$维度的全局最优位置（食物的位置），$r_1$ 是一个随着算法迭代逐渐减小的值（动态更新步长），$t$ 表示当前迭代次数，$T$ 表示最大迭代次数，其变化曲线如下图所示；$r_2$ 是一个0~1的随机数，$r_3$ 也是一个0~1的随机数，用于控制领导者的在两种更新方式中进行选择。

跟随者更新公式：
(3)$$x_j^i=\frac{1}{2}(x_j^i+x_j^{i-1})$$
这个公式表示，跟随者樽海鞘会向自己前一个樽海鞘移动，移动的距离是自己到对方距离的一半（原文中，这个公式是由牛顿第二定律推出来的，这里不展开推算）。

算法流程图：

3.函数例子

该函数是一个经典单峰函数，测试的参数取：
1.搜索空间维度（dim）：30
2.函数的上界（ub）：100
3.函数的下界（lb）：-100
4.该函数的最优值为（fmin）：0
原文¹写到，将种群规模设置为30，最大迭代次数为500，能搜索到最优值 0 。

结语：
樽海鞘算法是群智能算法中结构比较简单的算法，容易理解并实现而且收敛速度也比较快。这也是本人第一次写的比较完整一点笔记，花费的时间也有点少，还有很多不会撰写的地方，还是有些麻烦的。。。后面寒假有时间，会再来完善完善的，这也是让自己便优秀的一个过程。
参考文献的第一篇是原论文，第二篇是关于SSA的综述，有兴趣的读者可以先看看综述，这样可以快速的了解SSA算法的发展。

4.参考文献

[1] Mirjalili, S. , Gandomi, A. H. , Mirjalili, S. Z. , Saremi, S. , Faris, H. , & Mirjalili, S. M. . (2017). Salp swarm algorithm: a bio-inspired optimizer for engineering design problems. Advances in Engineering Software, 114(dec.), 163-191.
[2] Abualigah, L. , Shehab, M. , Alshinwan, M. , & Alabool, H. . (2020). Salp swarm algorithm: a comprehensive survey. Neural Computing and Applications, 32(15).