---

【获取资源请见文章第4节：资源获取】

---

1. 猎人猎物优化算法（HPO）

猎人猎物优化算法（Hunter-Prey Optimization, HPO）是2022年Naruei等人提出的一种新型智能优化算法。该算法的思想来自于对动物狩猎过程的模拟，它具有收敛速度快、寻优能力强等优点。

HPO算法首先会随机初始化种群在解空间中的位置，种群初始化公式如下所示：

其中，$x_i$表示第$i$个猎人或者猎物的位置，$i=1,2,...,N$，$N$表示种群数量；$lb$和$ub$分别表示搜索空间的上下限；$rand(1,d)$表示0-1之间的随机数，$d=1,2,...,D$，$D$表示搜索空间的维数。

猎人通过如下公式来进行位置更新：

其中，$x(t)$和$x(t+1)$表示猎人当前迭代和下一次迭代的位置；$P_{pos}$表示猎物的位置；$\mu$表示所有位置的平均值；$Z$是一个自适应参数，公式如下：

其中，$r_1$和$r_3$是0-1之间的随机数构成的向量；$P$为0或者1构成的向量；$r_2$表示0-1之间的随机数；$IDX$表示向量$r_1$中满足条件$P==0$的索引值构成的向量；$C$为平衡算法开发和探索行为的参数，它的值在迭代过程中由1递减到0.02。

距离平均位置$\mu$最远的个体被视为猎物$P_{pos}$：

在实际捕猎过程中，如果猎人捕获到了猎物，猎人会移动到新的猎物位置。这种机制可以被描述如下：

$n$表示种群的数量。在算法的初始阶段，$kbest=N$。在算法的迭代过程中，猎人会选择离平均位置最远的个体作为猎物然后攻击它，$kbest$会逐渐下降。在算法的末了阶段，$kbest$会等于距离最短的第一个个体。

当猎物被攻击时，它会试图逃离局部最优位置，它可能会有较大的逃生机会，此时猎人会选择其他猎物。猎物的更新公式如下：

其中，$x(t)$和$x(t+1)$分别表示当前迭代和下一次迭代中猎物的位置；$T_{pos}是全局最优位置$；$r_4$是-1到1之间的随机数。

综合上面的公式，猎人或者猎物的更新公式可以被描述为：

其中，$r_5$是0-1之间的随机数。

2. 部分代码展示

clear;clc;close all

Search_no=30;   % Number of search agent
F_name='F12';    % Name of the test function F1-f23
M_Iter=1000;    % Maximum number of iterations
 
[lb,ub,dim,fobj]=Get_F(F_name); %Give details of the underlying benchmark function

[Best_FF,Best_P,Conv_curve]=HPO(Search_no,M_Iter,lb,ub,dim,fobj); % Call the AOA 

figure('Position',[454   445   694   297]);
subplot(1,2,1);
func_plot(F_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([F_name,'( x_1 , x_2 )'])

subplot(1,2,2);
semilogy(Conv_curve,'Color','r','LineWidth',2)
title('Convergence curve')
xlabel('Iteration');
ylabel('Best fitness function');
axis tight
legend('HPO')

display(['The best-obtained solution by HPO is : ', num2str(Best_P)]);
display(['The best optimal value of the objective funciton found by HPO is : ', num2str(Best_FF)]);

3. 仿真结果展示

4. 资源获取说明

可以获取完整代码资源。