蝎子捕猎策略算法

原创已于 2026-04-09 09:10:29 修改 · 1.2k 阅读

22 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#算法

于 2025-06-18 08:51:47 首次发布

蝎子捕猎策略（Scorpion Hunting Strategy Swarm Algorithm，SHS）算法是一种受蝎子捕猎行为启发的创新算法。在自然界中，蝎子通过精确的神经感知系统和振动感知能力，能够高效定位并捕捉猎物。基于这一生物学原理，研究人员提出了SHS算法，旨在解决复杂的优化问题。该算法通过模拟蝎子捕猎的精确定位和定向策略，实现了在探索和开发之间的平衡，能够有效处理高维度和难度较大的优化任务。实验结果表明，SHS算法在解决多个基准问题时展现了卓越的性能，为优化领域提供了一种全新的解决方案。

该成果于2024年通过在arXiv平台发布。

与其他依靠视觉定位猎物的生物不同，蝎子利用一种特殊的神经感知系统，能够高效整合复杂的感觉信息，协调一致地移动，从而定位并攻击猎物（如蜘蛛、蟋蟀、滚地虫和其他蝎子）。它们利用位于基节腿部的裂感器官感知猎物所产生的振动，从而精确定位猎物的位置。蝎子能够通过精确定位猎物的位置进行捕猎，距离可达到50厘米。然而，对于更远的距离，它们只能精确定位猎物的方向。一旦蝎子定位到猎物，它们通常会使用毒刺、钳子和前跖部来中和猎物（如下图所示）。

蝎子的捕猎和摄取过程可以分为七个步骤，如下图所示。第一步是通过感知振动定位猎物，并通过调整身体方向与猎物对齐。第二和第三步中，蝎子伸出钳子抓住并捕捉猎物。根据猎物的大小或抵抗能力，蝎子在第四步中可能会刺杀猎物一次或两次。蝎子用钳子压碎猎物，并通过从猎物的头部开始进食来启动摄取过程。为了确保顺利和不间断的进食，蝎子有时会将猎物带到靠近巢穴的更安全地方。

1、算法原理

与任何基于种群的元启发式算法类似，SHS算法也从种群的初始化开始。将种群初始化为，其中的范围从1到，表示种群的总数，包含蝎子和其他动物（猎物或捕猎者）。种群中的每个个体都被视为一个搜索代理（或候选解），其位置信息由以下矩阵给出：

其中，dim是变量的维度。初始时，每个候选解的位置通过使用连续随机均匀分布（unifrnd）随机生成，该分布具有下限LE和上限UE，分别表示为：

其中，表示第个候选解在第维度上的位置，的范围从1到dim。和分别表示优化问题中第维候选解的下限和上限。相应的代价（或适应度）值由以下公式给出：

其中是优化问题的代价函数。考虑到最小化优化任务，具有最小代价值的候选解被视为最优解，记为。通过对种群进行排序和排名计算得出，如下式所示：

振动信号定义了两个种群成员之间的关系：如果一只蝎子成员朝着一个猎物成员移动，则称为 α 振动；如果蝎子朝着一个捕猎者成员移动，则称为 β 振动。如果一只蝎子朝另一只蝎子移动，则称为 αβ 振动的变异，如下图所示。

代价函数决定了蝎子是否与猎物或捕猎者相遇的概率。然而，蝎子与另一只蝎子相遇，即在 αβ 变异过程中的概率为20%（µ = αβ = 0.2）。在这种情况下，具有较强钳子（ω）和毒刺（ψ）能力的蝎子将占主导地位。

在蝎子之间的任何相互作用之后，信号振动将通过一个阻尼比（µdamp = 0.98）进行更新。种群成员将在检测到任何振动时继续相互移动。然而，算法将继续进行，直到达到终止条件，即最大迭代次数。在每次迭代后， α 和 β 的值将增加一个单位，该过程如算法1所示。

种群成员相互靠近的移动是通过信号或振动吸收系数计算的，公式如下：

其中表示种群中两个成员之间的距离。表示从一个点到另一个点的振动吸收系数（即从蝎子的位置到猎物的位置）。的较低值表示两个成员之间的距离较大，因为信号振动较弱。当两个成员在检测到振动时靠近彼此时，的值将增加。蝎子的更新位置根据以下公式计算：

其中是先前的位置，是αβ变异，是多样性因子，用于结合沿运动路径的多样性。这个属性使得算法更加动态，减少了线性性。它是一个均匀随机向量，由以下公式给出：

其中是均匀变异范围，计算为。最后，αβ变异根据以下公式更新：

最佳解通过对与新位置相对应的代价函数进行排序和排名来获得，按照以下公式计算：

所提出的SHS算法的详细流程图如下图所示。

2、结果展示

3、MATLAB核心代码

%% 淘个代码 %%
% 微信公众号搜索：淘个代码，获取更多代码
% 蝎子捕猎策略（Scorpion Hunting Strategy Swarm Algorithm，SHS）
function [best_pos, best_fit, convergence] = SHS_Simple(func, nvars, lb, ub, max_iter, pop_size)
% Simple Scorpion Hunting Strategy (SHS) Optimization
%
% Inputs:
%   func      - Objective function handle
%   nvars     - Number of variables
%   lb        - Lower bound
%   ub        - Upper bound
%   max_iter  - Maximum iterations (default: 500)
%   pop_size  - Population size (default: 30)
%
% Outputs:
%   best_pos  - Best solution
%   best_fit  - Best fitness
%   convergence - Convergence history

%% Default Parameters
if nargin < 5, max_iter = 500; end
if nargin < 6, pop_size = 30; end
%% Initialize Population
positions = lb + (ub - lb) * rand(pop_size, nvars);
fitness = zeros(pop_size, 1);
% Evaluate initial population
for i = 1:pop_size
    fitness(i) = func(positions(i, :));
end
% Find best
[best_fit, best_idx] = min(fitness);
best_pos = positions(best_idx, :);
convergence = zeros(max_iter, 1);
fprintf('SHS Started: %d variables, %d population, %d iterations\n', nvars, pop_size, max_iter);

%% Main Loop
for iter = 1:max_iter
    % Exploration factor (decreases over time)
    a = 2 - 2 * iter / max_iter;
    for i = 1:pop_size
        if rand < 0.5
            %% Hunting Phase (Exploration)
            if rand < 0.5
                % Hunt towards best position
                new_pos = positions(i, :) + 2 * a * (best_pos - positions(i, :)) .* rand(1, nvars);
            else
                % Hunt towards random scorpion
                r = randi(pop_size);
                new_pos = positions(i, :) + 2 * a * (positions(r, :) - positions(i, :)) .* rand(1, nvars);
            end
        else
            %% Attacking Phase (Exploitation)
            new_pos = best_pos + (2 * rand(1, nvars) - 1) .* abs(best_pos - positions(i, :));
        end
        % Apply bounds
        new_pos = max(new_pos, lb);
        new_pos = min(new_pos, ub);
        % Evaluate new position
        new_fit = func(new_pos);
        % Update if better
        if new_fit < fitness(i)
            positions(i, :) = new_pos;
            fitness(i) = new_fit;
            % Update global best
            if new_fit < best_fit
                best_fit = new_fit;
                best_pos = new_pos;
            end
        end
    end
    % Store convergence
    convergence(iter) = best_fit;
    % Show progress
    if mod(iter, 100) == 0
        fprintf('Iteration %d: Best fitness = %.6e\n', iter, best_fit);
    end
end
fprintf('SHS Completed! Best fitness: %.6e\n', best_fit);

% Plot convergence
figure;
semilogy(1:max_iter, convergence, 'LineWidth', 2);
xlabel('Iteration');
ylabel('Best Fitness');
title('SHS Convergence');
grid on;
end
%% Test Functions
function f = sphere_func(x)
    f = sum(x.^2);
end

function f = rosenbrock_func(x)
    f = sum(100*(x(2:end) - x(1:end-1).^2).^2 + (1 - x(1:end-1)).^2);
end
function f = rastrigin_func(x)
    f = 10*length(x) + sum(x.^2 - 10*cos(2*pi*x));
end

参考文献

[1] Singh A, Mousavi S M H, Gaurav K. SHS: Scorpion Hunting Strategy Swarm Algorithm[J]. arXiv preprint arXiv:2407.14202, 2024.

完整代码获取

后台回复关键词：

获取更多代码：