一、袋獾优化算法TDO

1.1算法简介

袋獾优化算法（Tasmanian Devil Optimization，TDO）由MOHAMMAD DEHGHANI等人于2022年提出，该算法模拟了自然界中袋獾进食行为。TDO思路新颖，高效快捷。

袋獾体型矮胖及粗壮，头大尾短。贮存脂肪的尾部是袋獾健康的指标，因为瘦削的尾部代表袋獾健康欠佳。袋獾的毛发呈黑色，不过胸部和臀部往往带有小块白色的毛。身长525-800毫米，尾长230-300毫米，体重4.1-11.8千克。毛色深褐或灰色，喉部及臀部具有白色块斑，吻为浅粉色。体形与 鼬科 动物相近。腹部生有 育儿袋 。 袋獾和其他有袋动物不同之处在于其前足比后足稍长。它们可以最高时速13公里（8.1英里）奔跑。雄性袋獾体型一般较雌性为大：雄性平均身长为652毫米（其中尾部长258毫米），平均体重则为8公斤；雌性平均身长则为570毫米（其中尾部长244毫米），平均体重6公斤。野生袋獾的寿命为6年，受饲养的袋獾则较长寿。

1.2算法原理

参考文献：M. Dehghani, Š. Hubálovský and P. Trojovský, “Tasmanian Devil Optimization: A New Bio-Inspired Optimization Algorithm for Solving Optimization Algorithm,” in IEEE Access, vol. 10, pp. 19599-19620, 2022, doi: 10.1109/ACCESS.2022.3151641.

袋獾优化算法模拟了袋獾进食行为，一是依靠腐肉，二是依靠狩猎。在袋獾觅食中，如果腐肉存在，袋獾则以腐肉为食，否则袋獾将寻找猎物，采取狩猎方式获取食物。

1.2.1策略1：以腐肉为食（全局勘探阶段）

该阶段模拟了袋獾更加喜欢以腐肉为食，而非狩猎，其位置更新如下：

1.2.2策略2：以狩猎为食（局部开采阶段）

该阶段分为寻找猎物和攻击猎物：

（1）寻找猎物阶段袋獾位置更新如下：

（2）攻击猎物阶段袋獾位置更新如下：

1.3算法流程

参考文献：
M. Dehghani, Š. Hubálovský and P. Trojovský, “Tasmanian Devil Optimization: A New Bio-Inspired Optimization Algorithm for Solving Optimization Algorithm,” in IEEE Access, vol. 10, pp. 19599-19620, 2022,
doi: 10.1109/ACCESS.2022.3151641.

二、CEC2005测试简介

CEC2005 测试集共包含 25 个测试问题, 即 $f_1-f_{25}$ 。根据问题的特征, 可进一 步将其分为 4 类: 单峰问题 $f_1-f_5$ , 基本多峰问题 $f_6-f_{12}$ , 扩展多峰问题 $f_{13}-f_{14}$ 和混合复合问题 $f_{15}-f_{25}$ 。特别地, 单峰问题 $f_1-f_5$的结构相对简单, 常被用来测试算法的收 玫性能,；而基本多峰问题 $f_6-f_{12}$ 有多个局部最优解, 用来测试算法对决策空间进行全局 探索和局部开发的平衡能力 ； 扩展多峰和混合复合问题 $f_{13}-f_{25}$ 具有更加复杂的结构, 因而对算法的挑战性更大。此外, 该测试集包含了八组可比较的问题, 可测试算法对不同类型问题特征的性能, 如不同条件数、旋转、噪音干扰、不连续、全局最优邻域形状、全局最优解的位置和种群初始范围等. 由此可见, 该测试集能有效评估算法性能。

参考文献：
[1] Suganthan P N , Hansen N , Liang J J , et al. Problem Definitions and Evaluation Criteria for the CEC 2005 Special Session on Real-Parameter Optimization[J]. Natural Computing, 2005, 341-357.
[2]田梦男. 全局优化问题的高效差分进化算法研究[D].陕西师范大学,2020.

扫描二维码关注公众号，回复： 14974702 查看本文章

三、实验结果

完整代码添加博客下方博主微信：djpcNLP123

close all
clear 
clc
addpath(genpath(pwd));%加载路径
SearchAgents_no=100; % 种群大小
Function_name=5; %测试函数1-25
Max_iteration=50; % 最大迭代次数
dim=2;%维度 2/10/30/50
Xmin=[-100,-100,-100,-100,-100,-100,0,-32,-5,-5,-0.5,-pi,-3,-100,-5,-5,-5,-5,-5,-5,-5,-5,-5,-5,2];
Xmax=[100,100,100,100,100,100,600,32,5,5,0.5,pi,1,100,5,5,5,5,5,5,5,5,5,5,5];
lb=Xmin(Function_name);%变量下界
ub=Xmax(Function_name);%变量上界
[fMin,bestX,curve]=TDO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);  
figure
plot(curve,'Color','r','linewidth',2.5)
title(['F' num2str(Function_name)])
xlabel('Iteration');
ylabel('BestScore');
grid on
legend('TDO')
% function_plot(Function_name)%画函数图像
display(['The best solution obtained  is : ', num2str(bestX)]);
display(['The best optimal value of the objective funciton found  is : ', num2str(fMin)]);

部分实验结果：

3.1F11

3.2F12

3.3F13

3.4F14

3.5F15

四、参考代码

完整代码添加博客下方博主微信：djpcNLP123