Crow search algorithm（乌鸦搜索算法）

今天我准备和大家分享一下我读Crow search algorithm（乌鸦搜索算法 ）这篇文章的心得：
原文链接
这篇文章通过对乌鸦的智能行为进行分析，提出了一种新的元启发式优化器，称为乌鸦搜索算法（CSA）。CSA是一种基于人口的技术，它大概的思路就是乌鸦将多余的食物储存在藏身之处，并在需要食物时将其取回。本文还将CSA用于优化六个约束工程设计问题，分别是三杆桁架设计问题、压力容器设计问题、张力/压缩弹簧设计问题、焊接梁设计问题、齿轮系设计问题、贝尔维尔弹簧设计问题。这些问题具有不同的目标函数，约束和决策变量性质。将CSA获得的结果与各种算法（例如BA、GA、PSO、CDE、MBA等）的结果进行比较。结果表明，与其他算法相比，CSA得到的更好。

一 介绍
介绍部分主要阐述了什么是工程设计、什么是优化技术、什么是元启发式、元启发式能够解决的问题以及好处
工程设计被定义为构建满足特定需求的产品的决策过程。大多数情况下，工程设计问题包括具有大量决策变量的复杂目标函数。可行解决方案是所有设计的集合，其特征在于设计参数（决策变量）的所有可能值。优化技术试图从所有可用的可行解决方案中找到最佳解决方案。
根据格洛弗的惯例，所有现代自然灵感的方法都被称为元启发式，元启发式算法可以解决大多数非线性和多模态的现实优化问题且都使用随机化和局部搜索的某种权衡。
一些著名的元启发式算法如下：基于自然选择的遗传算法（GA），基于鸟类植绒和鱼类学校教育的社会行为的粒子群优化算法，和声搜索（HS）基于音乐即兴创作过程，布谷鸟搜索算法基于一些杜鹃物种的寄生寄生，基于微生物回声定位行为的蝙蝠算法（BA），基于动物搜索的群搜索优化器（GSO）行为，萤火虫算法（FA）基于热带萤火虫的闪光模式等。

二 乌鸦搜索算法
介绍乌鸦的习性：乌鸦会观察其他鸟类隐藏食物的地方，并在它们离开后偷走它。如果一只乌鸦犯了偷窃行为，它将需要采取额外的预防措施，例如移动藏身之处以避免成为未来的受害者。事实上，他们利用自己的小偷经验来预测盗窃者的行为，并且可以确定最安全的方法来保护他们的藏物处不被盗。
在本文中，基于上述智能行为，开发了基于人口的元启发式算法CSA。CSA的原则如下：
1.乌鸦以群居的形式生活。
2.乌鸦记住了它们藏食物的位置。
3.乌鸦跟着领导者做偷取食物。
4.乌鸦保护他们的藏物处一定概率下不被偷窃。
假设一个d维环境中包括许多乌鸦。乌鸦的数量（群容量）是N，并且在搜索空间中乌鸦i在时间（迭代）的位置由向量决定，当且仅当并且是最大迭代次数时成立。每只乌鸦都有一个记忆，那就是隐藏位置的记忆。
假设在迭代时，乌鸦j想要访问它的隐藏位置。在这次迭代中，乌鸦i决定跟随乌鸦j接近乌鸦j的藏身之处。在这种情况下，可能会发生两种状态：
状态1：乌鸦j不知道乌鸦i正在追它。结果，乌鸦i将接近乌鸦j的藏身之处。 在这种情况下，乌鸦i的新位置获得如下：

其中ri是在0和1之间均匀分布的随机数，