融合随机森林决策的海鸥优化算法

针对海鸥优化算法(SOA)在求解优化问题时容易早熟、算法性能过于依赖参数以及解的精确度较低等问题，提出了一种融合随机森林决策的海鸥优化算法(RFSOA)。首先，在海鸥前期迁徙阶段，引入非线性递减参数A对海鸥位置进行改变，调整算法的全局寻优能力，避免在迭代过程前期算法便会陷入局部最优的情况；其次，在海鸥攻击阶段，引入机器学习中随机森林思想，将每个海鸥个体位置看作任一决策树的分支，利用其构造决策树进行海鸥位置的改变，位置变化时采取螺旋状位置更新策略或最优高斯游走策略，增加海鸥位置改变的随机性，并利用贪心策略保留优质个体，从而提高寻优精度。选择Benchmark测试函数及0-1背包问题部分算例进行算法性能测试，结果显示RFSOA具有寻优能力强、精确度高的优点，更适合求解较高维度的连续函数优化问题及带有约束的实际应用问题。

受自然界生物群体行为的启发，诸多群智能算法被提出并用于求解优化问题，如粒子群优化算法(Particle Swarm Optimization, PSO) [1]、鲸鱼优化算法(Whale Optimization algorithm, WOA) [2]、哈里斯鹰优化算法(Harris Hawks Optimization, HHO) [3]、黑猩猩优化算法(Chimp Optimization Algorithm, ChOA) [4]、海洋捕食者算法(Marine Predators Algorithm, MPA) [5]等。

海鸥优化算法(Seagull Optimization Algorithm, SOA) [6]是由Dhiman 和Kumar 教授在2019 年提出的一种新的元启发式算法，海鸥优化算法参数较为简单容易实现，目前常被用于求解较大规模的优化类问题，但是在迭代寻优过程中也存在倾向于局部最优、算法性能依靠参数以及寻优的精确度低等缺陷。为了解决海鸥优化算法存在的缺陷，提高算法性能，诸多学者在海鸥优化算法的基础上提出改进策略。

毛清华等[7]提出一种融合改进Logistics 混沌和正弦余弦算子的自适应t 分布海鸥算法(ISOA)，采用Logistics 混沌映射对种群进行初始化，并引入正弦余弦算子以及非线性参数A 来对算法的全局搜索和局部搜索进行协调， 从而加快算法收敛速度， 在最优解位置利用自适应t 分布变异策略进行扰动产生新解，增强了算法跳出局部最优的能力。秦维娜[8]等提出一种基于惯性权重的海鸥优化算法，该算法使用非线性递减的惯性权重对海鸥的位置进行调整，并使用莱维飞行和随机指数值增加海鸥飞行的随机性，从而提高算法寻找最佳方案的全局能力。He [9]等提出的基于反向的海鸥优化算法(OSOA)，将特征选择技术与SOA 相结合，其总体由基于反向的学习(OBL)算法确定，测试结果证明该算法具有更高的精度和计算效率。Jia H [10]等提出了一种特征选择混合海鸥优化算法，将海鸥优化算法与热交换优化(TEO)算法进行混合，采用TEO 算法的热交换公式来改进SOA 的海鸥攻击模式，从而有效的提高了SOA 的开发能力。