【智能算法】象群算法（EHO）原理及实现

---

1.背景

2016年，Wang等人受到自然界中象群社会行为启发，提出了象群算法（Elephant Herding Optimization, EHO）。

2.算法原理

2.1算法思想

EHO将大自然中象群的氏族结构和游牧过程中公象离群的行为，抽象为氏族更新操作和分离操作，实现高效的寻优过程。

2.2算法过程

氏族更新操作：

在一个氏族中，大象在一起生活，并受到一头雌性大象的领导：
$$x_{\text{new},\text{ci},j}=x_{\text{ci},j}+\alpha \times \left(x_{\text{best},\text{ci}}-x_{\text{ci},j}\right)\times r\text{\hspace{1em}(1)}$$
其中，xbest,ci为氏族ci的雌性领袖，是氏族ci中适应度最好的个体。
论文中提出氏族中心概念，对雌性领袖位置进行更新：
$$x_{\mathrm{new},\mathrm{ci},j}=\beta \times x_{\mathrm{center},\mathrm{ci}}\text{\hspace{1em}(2)}$$
氏族中心表述为：
$$x_{\mathrm{center},\mathrm{ci},d}=\frac{1}{n_{\mathrm{ci}}}\times \sum _{j=1}^{n_{\mathrm{ci}}}{x}_{\mathrm{ci},j,d}\text{\hspace{1em}(3)}$$

分离操作:

自然界中雄性大象的生活习性是成长到一定年龄就会离开象群独自生活:
$$x_{\mathrm{worst},\mathrm{ci}}=x_{\min }+(x_{\max }-x_{\min }+1)\times R\text{\hspace{1em}(4)}$$

伪代码：

3.结果展示

4.参考文献

[1] Wang G G, Deb S, Gao X Z, et al. A new metaheuristic optimisation algorithm motivated by elephant herding behaviour[J]. International Journal of Bio-Inspired Computation, 2016, 8(6): 394-409.