---

1.背景

2021年，Xie等人受到自然界中金枪鱼狩猎行为启发，提出了金枪鱼优化算法（Tuna swarm optimization，TSO）。

2.算法原理

2.1算法思想

TSO模拟了金枪鱼觅食行为，主要分为螺旋式觅食和抛物线觅食两种方式。

2.2算法过程

螺旋式觅食：

当目标难以锁定时，金枪鱼就会以密集的螺旋式阵型进行追捕。在追捕猎物的同时，金枪鱼群之间还会交换信息，实现相邻个体之间的信息共享。位置更新：
$$X_i^{t+1}=\{\begin{array}{l}{c}_1\left(X_{\mathrm{best}}^t+\beta \left|X_{\mathrm{best}}^t-X_i^t\right|\right)+c_2{X}_i^t,i=1\\ c_1\left(X_{\mathrm{best}}^t+\beta \left|X_{\mathrm{best}}^t-X_i^t\right|\right)+c_2{X}_{i-1}^t,i=2,3,\cdots ,N\end{array}\text{\hspace{1em}(1)}$$
c1,c2为权重系数，表述为：
$$\begin{gathered} c_1=a+(1-a)\frac{t}{t_{\max }} \\ {c}_2=(1-a)-(1-a)\frac{t}{t_{\max }} \\ \beta ={\mathrm{e}}^{bl}\cos (2\pi b) \\ l={\mathrm{e}}^{3\cos (((t_{\max }+1/t)-1)\pi )}\text{\hspace{1em}(2)} \end{gathered}$$

当最优个体无法找到食物时，在搜索空间中随机生成一个坐标:
$$X_i^{t+1}=\{\begin{array}{l}{c}_1\left(X_{\mathrm{rand}}^t+\beta \left|X_{\mathrm{rand}}^t-X_i^t\right|\right)+c_2{X}_i^t,i=1\\ c_1\left(X_{\mathrm{rand}}^t+\beta \left|X_{\mathrm{rand}}^t-X_i^t\right|\right)+c_2{X}_{i-1}^t,i=2,3,\cdots ,N\end{array}\text{\hspace{1em}(3)}$$

抛物线型觅食:

金枪鱼两种觅食方法交替使用，以提高金枪鱼捕获食物的概率假,设这两种方法随机选择概率为50%：
$$X_i^{t+1}=\{\begin{array}{l}{X}_{\mathrm{best}}^t+rand\left(X_{\mathrm{best}}^t-X_i^t\right)+TF\cdot p^2\left(X_{\mathrm{best}}^t-X_i^t\right),ifrand<0.5\\ TF\cdot p^2{X}_i^t,ifrand⩾0.5\end{array},\text{\hspace{1em}(4)}$$
参数p表述为：
$$p=(1-\frac{t}{t_{\max }}{)}^{(t/t_{\max })}\text{\hspace{1em}(5)}$$

流程图

伪代码：

3.代码展示

4.参考文献

[1] Xie L, Han T, Zhou H, et al. Tuna swarm optimization: a novel swarm-based metaheuristic algorithm for global optimization[J]. Computational intelligence and Neuroscience, 2021, 2021: 1-22.