霸王龙优化算法（Tyrannosaurus optimization，TROA）是一种新的仿生优化算法，该算法模拟霸王龙的狩猎行为，具有搜索速度快等优势。该成果于2023年发表在知名SCI期刊e-Prime-Advances in Electrical Engineering, Electronics and Energy上。
TROA算法通过位置初始化、狩猎和追逐、选择阶段三个主要操作模拟了霸王龙的狩猎行为，最后选取最优解。
算法原理
（1）种群位置初始化
TROA是一种基于种群的算法，它在搜索空间中随机生成猎物数量。设Xx为猎物的位置或位置，在上下限范围内随机生成，其数学模型如下式表示：
式中，Xi =[x1, x2，··xn]为猎物位置，i=1,2··n，其中，n为维数，np为种群数，dim为搜索空间维数，ub为上限，lb为下限。
（2）狩猎和追逐
霸王龙的捕猎是让幼崽追逐和捕捉猎物，所以当霸王龙捕食时，它会进行随机捕食，捕食动作的数学模型如下式表示：
其中，Er为到达分散猎物的估计，sr为狩猎成功率，在[0.1,1]之间。如果成功率为0，则表示猎物已经逃脱，狩猎失败，猎物的位置需要相应更新。目标是猎物相对霸王龙位置的最小位置，霸王龙的奔跑速度是tr。
（3）选择阶段
选择过程取决于猎物的位置，即目标猎物当前的位置和之前的位置。如果霸王龙捕猎失败，猎物的位置就变成零。
其中， 为初始随机猎物位置的适应度函数， 为更新猎物位置的适应度函数。
结果展示
以为CEC2005函数集为例，进行结果展示：
MATLAB核心代码
% 霸王龙优化算法
function [Jnew,J,znew,Convergence_curve1,Positions,p,JJ]=TROA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,sr,tr,pr)
Leader_score=inf;
trex_pos=ones(SearchAgents_no,dim);
% initial position of prey
Positions=initialization(SearchAgents_no,dim,ub,lb);
z=Positions;t=1; % starting iteration
walk=[0.046 0.06];
run=0.3;
for p=1:SearchAgents_noJ(p,1) = fobj(z(p,:));
end[~,indx] = min(J);
Target(:,:) = z(indx,:);
JJ=min(J);while t<Max_iteration+1 %Main loop %Update the Position of solutionsES=randn*(1-(t/Max_iteration)); % Probability Ratio of hunting sucess of the prey [-1 to 1]for pp=1:SearchAgents_no for j=1:dim
% hunting of the prey Rnd=floor(rand()*SearchAgents_no)+1;if rand<ESznew(pp,j)=z(pp,j)+sr*( trex_pos(pp,j)*tr-Target(1,j)*rand()*pr); %sucesselseznew(pp,j)=z(pp,j)*rand();end endJnew(pp,:)=fobj(znew(pp,:));for j=1:dim %-----------selection-----------if J(pp,1)>Jnew(pp)z(pp,:)=znew(pp,:); J(pp,1)=Jnew(pp);
% updation of target[~,indx] =min(J);Target = z(indx,:);else Target(1,j)=zeros;J(pp,1)=J(pp);endendznew1=z(1,:);endConvergence_curve1(t)=min(J); %Update the convergence curvep(t)= znew1(1,1);t=t+1;end
end参考文献
[1] Sahu V S D M, Samal P, Panigrahi C K. Tyrannosaurus optimization algorithm: A new nature-inspired meta-heuristic algorithm for solving optimal control problems[J]. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 2023, 5: 100243.
完整代码获取方式：后台回复关键字：TGDM880
