摘要
Salp Swarm Algorithm（SSA，沙丁鱼群优化算法）是一种基于群体智能的元启发式优化算法，灵感来自沙丁鱼群在水中的游动模式。SSA 在求解复杂优化问题时表现出良好的全局搜索能力和收敛性能。本文详细介绍SSA的数学原理，并提供完整的MATLAB代码，附带详细中文注释，便于读者理解其工作原理及实现细节。
一、Salp Swarm Algorithm (SSA) 原理
1.1 基本概念
Salp Swarm Algorithm (SSA) 受自然界中沙丁鱼群在水中运动和觅食方式的启发。SSA 将个体分为：
- 领导者（Leader）：处于最优位置的个体，带领群体向最优解收敛。
- 追随者（Followers）：其余个体，它们跟随领导者，并通过平均策略向领导者靠拢。
在SSA中，个体在高维搜索空间中移动，以找到问题的最优解。
1.2 主要数学公式
(1) 领导者个体（Leader）的更新公式
沙丁鱼群的领导者（即当前最优个体）采用如下公式进行更新：
(2) 追随者个体（Follower）的更新公式
非领导者个体（沙丁鱼群中的其他成员）采用均值策略：
二、SSA MATLAB 实现
完整的 MATLAB 代码
Matlab
%____________________________________________________________________________________
% Salp Swarm Algorithm (SSA) - 沙丁鱼群优化算法
% 版本：1.0
% MATLAB实现：Seyedali Mirjalili
% 论文：
% S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili,
% Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems
% Advances in Engineering Software
% DOI: http://dx.doi.org/10.1016/j.advengsoft.2017.07.002
%____________________________________________________________________________________
% Salp Swarm Algorithm (SSA) 主函数
function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)
% N: 搜索代理的数量（即沙丁鱼的数量）
% Max_iter: 最大迭代次数
% lb, ub: 搜索变量的下界和上界
% dim: 问题的维度
% fobj: 目标函数句柄
% 初始化沙丁鱼群的位置
SalpPositions = initialization(N,dim,ub,lb);
% 确保上下界是列向量
if size(ub,2) == 1
ub = ones(dim,1) * ub;
lb = ones(dim,1) * lb;
else
ub = ub';
lb = lb';
end
% 初始化收敛曲线
Convergence_curve = zeros(1,Max_iter);
% 初始化食物位置（全局最优解）
FoodPosition = zeros(1,dim);
FoodFitness = inf;
% 计算初始适应度
for i = 1:size(SalpPositions,1)
SalpFitness(1,i) = fobj(SalpPositions(i,:));
end
% 排序沙丁鱼群
[sorted_salps_fitness, sorted_indexes] = sort(SalpFitness);
for newindex = 1:N
Sorted_salps(newindex,:) = SalpPositions(sorted_indexes(newindex),:);
end
% 设定食物位置（最优解）
FoodPosition = Sorted_salps(1,:);
FoodFitness = sorted_salps_fitness(1);
% 主要迭代循环
l = 2;
while l < Max_iter + 1
% 计算收敛因子 c1
c1 = 2 * exp(-(4*l/Max_iter)^2);
% 遍历所有沙丁鱼个体
for i = 1:size(SalpPositions,1)
SalpPositions = SalpPositions';
% 领导者更新
if i <= N/2
for j = 1:dim
c2 = rand();
c3 = rand();
if c3 < 0.5
SalpPositions(j,i) = FoodPosition(j) + c1 * ((ub(j)-lb(j)) * c2 + lb(j));
else
SalpPositions(j,i) = FoodPosition(j) - c1 * ((ub(j)-lb(j)) * c2 + lb(j));
end
end
% 追随者更新
elseif i > N/2 && i < N+1
point1 = SalpPositions(:,i-1);
point2 = SalpPositions(:,i);
SalpPositions(:,i) = (point2 + point1) / 2;
end
SalpPositions = SalpPositions';
end
% 约束边界处理
for i = 1:size(SalpPositions,1)
Tp = SalpPositions(i,:) > ub';
Tm = SalpPositions(i,:) < lb';
SalpPositions(i,:) = (SalpPositions(i,:) .* ~(Tp + Tm)) + ub' .* Tp + lb' .* Tm;
% 计算适应度
SalpFitness(1,i) = fobj(SalpPositions(i,:));
% 更新最优解
if SalpFitness(1,i) < FoodFitness
FoodPosition = SalpPositions(i,:);
FoodFitness = SalpFitness(1,i);
end
end
% 记录收敛曲线
Convergence_curve(l) = FoodFitness;
l = l + 1;
end
end
% 初始化搜索代理位置
function X = initialization(SearchAgents_no, dim, ub, lb)
if numel(ub) == 1
X = rand(SearchAgents_no,dim) .* (ub - lb) + lb;
else
for i = 1:dim
X(:,i) = rand(SearchAgents_no,1) .* (ub(i) - lb(i)) + lb(i);
end
end
end三、总结
Salp Swarm Algorithm（SSA）是一种基于群体智能的优化算法，其灵感来源于沙丁鱼群在水中的运动行为。SSA 采用领导者-追随者模型，并结合随机搜索和全局优化策略，能够有效地解决连续和离散优化问题。该算法的关键在于收敛因子 c1c_1c1 的动态调整，使得搜索过程兼具探索能力（Exploration）和开发能力（Exploitation）。MATLAB 代码实现简单，易于调整和扩展，适用于机器学习参数优化、工程优化、神经网络训练等领域。