Lion Optimization Algorithm (LOA): A natureinspired metaheuristic algorithm

Abstracto
Durante la ltima dcada, la resolucin de problemas complejos de
optimizacin con algoritmos metaheursticos ha recibido considerable atencin
entre los profesionales e investigadores. Por lo tanto, muchos algoritmos
metaheursticos se han desarrollado en los ltimos aos. Muchos de estos
algoritmos estn inspirados en diversos fenmenos de la naturaleza. En este
trabajo, se introduce un nuevo algoritmo basado en la poblacin, el Len
optimizacin del algoritmo (LOA),. estilo de vida propio de los leones y sus
caractersticas de cooperacin ha sido la motivacin bsica para el desarrollo
de este algoritmo de optimizacin. Algunos problemas de referencia se
seleccionan de la literatura, y la solucin del algoritmo propuesto se han
comparado con los de algunos bien conocido y ms nuevos meta-heurstica
para estos problemas. Los resultados obtenidos confirman el alto rendimiento
del algoritmo propuesto en comparacin con los otros algoritmos utilizados en
este trabajo. Y 2015 de la Sociedad de CAD / CAM Ingenieros. Produccin y
hospedaje por Elsevier. Todos los derechos reservados. Este es un artculo de
acceso
abierto
bajo
la
licencia
CC
BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).

1. Introduccin Muchos problemas de optimizacin de ingeniera suelen ser

bastante difcil de resolver, y muchas aplicaciones que hacer frente a estos
problemas complejos. En estos problemas, espacio de bsqueda crece
exponencialmente con el tamao del problema. Por lo tanto, los mtodos de
optimizacin tradicionales no proporcionan una solucin adecuada para ellos.
Por lo tanto, a lo largo de las ltimas dcadas, muchos algoritmos metaheurstica se han diseado para resolver este tipo de problemas. Los
investigadores han mostrado un buen rendimiento de los algoritmos metaheurstica en una amplia gama de problemas complejos, tales como problemas
de programacin [1-6], los datos de la agrupacin [7,8], la imagen y el
procesamiento de vdeo [9-12], ajuste de redes neuronales [ 13-15] y
reconocimiento de patrones [16-18], etc. durante muchos aos, humanos han
utilizado la gua de la naturaleza en la bsqueda de la solucin ms adecuada
para los problemas. Por lo tanto, durante las ltimas dcadas, ha habido un
intento cada vez mayor en el desarrollo de algoritmos inspirados en la
naturaleza [19-21]. Por ejemplo, el algoritmo gentico fue propuesta por
Holland [22], y simula conceptos de evolucin Darwnian. Sistemas artificiales
inmune [23], simular sistemas inmunes biolgicos para optimizacin.
Optimizacin de Colonia de Hormigas [24] se inspir en comportamiento de
hormigas forrajeras para la alimentacin. Optimizacin enjambre de partculas
[25] imita el comportamiento social de una bandada de aves migratorias

tratando de llegar a un destino desconocido. El matrimonio en la miel de abeja

optimizacin del algoritmo (MBO) fue propuesto por Abbas [26], e imita los
procesos de reproduccin de la colonia de abejas. Bacteriana del forraje
algoritmo [27] simula bsqueda y forrajeo ptimo de las bacterias. El barajan la
rana que salta el algoritmo [28] se inspir en una poblacin de ranas en busca
de alimento. El algoritmo del gato Swarm [29] fue desarrollado basndose en el
comportamiento de los gatos. optimizacin maleza invasora fue propuesto por
Mehrabian y Lucas [30], e imita el comportamiento ecolgico de las malas
hierbas colonizadoras. Mono de bsqueda [31] simula un mono en busca de
recursos alimentarios. El agua de flujo como algoritmo [32] fue inspirado por el
agua que fluye de mayor a menor nivel. algoritmo de optimizacin basada en
biogeografa se introdujo por Simon [33], e inspirado por la biogeografa que se
refiere al estudio de los organismos biolgicos en trminos de distribucin
geogrfica (en el tiempo y en el espacio).

Se propuso Bsqueda de centros [34] basado en el comportamiento gregario

de peces ocenicos. Cuco de bsqueda [35] y el algoritmo de optimizacin de
cuco [36] se basan en la estrategia de reproduccin de cuckoos.Batinspired
algoritmo [37] fue inspirado por el comportamiento de la ecolocalizacin
bats.Fire algoritmo de volar [38] simula el comportamiento social de las
lucirnagas en funcin de su parpadear carac- acteristics.Dolphin socio
Optimizacin [39] y Dolphin ecolocalizacin algoritmo [40] estaban en spired
por comportamientos delfines. algoritmo de la polinizacin de la flor [41] imita
las caractersticas de polinizacin de las plantas con flores y la consistencia de
la flor asociado de algunos insectos polinizadores. Krillherd [42] inspirado en el
comportamiento de manada de inviduals krillind.

lobo de bsqueda [43] y gris lobo optimizador [44] se inspiran en los

comportamientos de los lobos. algoritmo ciclo del agua [45] se basa en la
observacin del proceso y howrivers ciclo del agua y las corrientes fluyen hacia
el mar all al mundo. La optimizacin de araa Social, inspirado en el
comportamiento social de una especie de araa, se ha propuesto
recientemente [46]. Bosque Optimizacin del algoritmo [47] se inspir en unos
rboles en los bosques que pueden sobrevivir durante muchos aos, mientras
que otros rboles pueden vivir por un corto tiempo. Mencionado algoritmo de
Sare investigadores lyappliedby de ancho en muchas reas diferentes [48-51].
Sin embargo, no hay algoritmo particular, para obtener la solucin ms
adecuada para todos los problemas de optimizacin. Algunos algoritmos
proporcionan una mejor solucin para algunos problemas particulares en
comparacin con los dems. Por lo tanto, la bsqueda de nuevas tcnicas de
optimizacin es un problema abierto [52]. En este trabajo, un algoritmo de
optimizacin basada en el comportamiento del len y la organizacin social, a
saber, la optimizacin del algoritmo de Len (LOA) se proposed.In la literatura,
Wang [53] y [54] Rajakumar dos algoritmos propuestos en Spired por

caracteres del lions.Rajakumar [54] se describe el operador principal del len

de Algorithmas "el apareamiento que se refiere a derivar nuevas soluciones y
la defensa del territorio y toma de posesin territorial intencin de buscar y
reemplazar la peor de las soluciones de nueva la mejor solucin". Al igual que
el algoritmo de len, orgullo del len optimizador [53] se basa en los combates
entre en el individuo y en mating.Butlions additi el de apareamiento y la lucha
contra exhiben otros comportamientos comoel estilo especial de captura de
presas, la marca territorial, la migracin, la diferencia entre el estilo de vida de
los residentes nomadand leones. Por lo tanto, se propone algorithmis en spired
por simulacin de los comportamientos solitarios y de cooperacin de los
leones, que son completamente diferente del algoritmo anterior.
Despus de esta introduccin, el resto de este documento se estructura de la
siguiente manera:
En la Seccin 2 propuesta Len optimizacin del algoritmo (LOA) se resume, y
su aplicacin Sare paso explica en detalles. Estudio comparativo y los
resultados experimentales se presentan en la Seccin 3 para verificar la
eficiencia del algoritmo propuesto. Por ltimo, las conclusiones se presentan en
la ltima seccin.

2. Algoritmo de optimizacin de Len (LOA) En esta seccin, se discuti por

primera vez la inspiracin del meta-heurstica propuesta. A continuacin, se
presenta el algoritmo de optimizacin de Len (LOA).

2.1. leones inspiracin son las ms inclinaciones sociales de todas las especies
salvajes que muestran altos niveles de cooperacin y el antagonismo [55]. Los
leones son de particular inters debido a su fuerte dimorfismo sexual tanto en
el comportamiento social y la apariencia. El len es un felino salvaje con dos
tipos de organizacin social: residentes y nmadas. Los residentes viven en
grupos, llamados orgullo [56]. Una manada de leones incluye tpicamente
alrededor de cinco hembras, sus cachorros de ambos sexos, y uno o ms de los
varones adultos. Los machos jvenes son excluidos de su orgullo el nacimiento,
cuando alcanzan la madurez sexual [56]. Como se menciona anteriormente, el
segundo comportamiento organizacional se llama nmadas, que se mueven de
forma espordica, en parejas o en singularmente. Las parejas se ven ms en
los hombres relacionados que han sido excluidos de su orgullo maternal.
Observe que un len puede cambiar los estilos de vida; residentes pueden
llegar a ser nmadas y viceversa [56]. A diferencia de todos los otros gatos,
leones suelen cazar juntos con otros miembros de su orgullo. Varias leonas
trabajan juntos y dan la vuelta al presas desde diferentes puntos y atrapar a la
vctima con un ataque rpido.
caza grupo coordinado aporta una mayor probabilidad de xito en la caza de
len. Los leones machos y algunas leonas suelen quedarse y descansar a la
espera de las leonas cazadores para volver de la caza [57]. Los leones se

aparean en cualquier poca del ao, y las hembras son poliestro (cuando las
hembras no cran de sus cachorros son receptivos) [58]. Una leona puede
aparearse con diferentes parejas cuando ella est en celo [59]. En la
naturaleza, los leones machos y hembras marcan su territorio y en otras
partes, que parece un buen lugar con la orina.

En este trabajo, algunos caracteres de leones se modelan matemticamente

con el fin de disear un algoritmo de optimizacin. En el algoritmo propuesto,
Lion Optimizacin Algoritmo (LOA), una poblacin inicial est formada por un
conjunto de soluciones generadas aleatoriamente llamado Lions. Algunos de
los leones en la poblacin inicial (% N) se seleccionan como leones nmadas y
la poblacin resto (leones residentes) se reparte aleatoriamente en subgrupos
P llamados manadas. S por ciento de los miembros del orgullo se considera
como femenina y masculina resto son consideradas, mientras que esta tasa
(sexo d Tasa% STH) en leones nmadas es viceversa.

Para cada len, la mejor solucin obtenida en el pasado que se llama posicin
opera- mejor visitado, y durante el proceso de optimizacin se actualiza
progresivamente. En carta de acuerdo, un territorio es un orgullo son una que
consiste en que cada miembro de mejor posicin visitado.
En cada orgullo, algunas hembras que se seleccionan al azar van de cacera.
Los cazadores se mueven a las salas de la presa para rodear y atraparlo. Hay
tela de las hembras se mueven para evitar diferentes posiciones del territorio.
Los leones machos en el orgullo, deambulan en el territorio. Las hembras se
aparean en manadas con uno o algunos machos residentes. En cada orgullo,
los hombres jvenes son excluidos de su orgullo maternal y convertirse en
nmada cuando alcanzan la madurez y, su potencia es menor que los machos
residentes. Tambin, un len del nmada (tanto hombres como mujeres) se
mueve al azar en el espacio de bsqueda para encontrar un lugar mejor
(solucin). Si el macho fuerte nmada invaden el macho residente, hay macho
dente es expulsado de la manada por el len nmada. El macho se vuelve
nmada len residente. En la evolucin, algunas hembras residentes emigran
de un orgullo a otro o cambian sus estilos de vida y se convierten en nmadas
y viceversa algunos leones nmada femenino se unen las manadas. Debido a
muchos factores, como la falta de alimentos y la competencia, ms dbil len
va a morir o ser matado. Por encima de proceso contina hasta que se
satisface la condicin de parada.
2.2. algoritmo propuesto

2.2.1. Inicializacin La carta de acuerdo es un algoritmo meta-heurstico

basado en la poblacin que el primer paso es para generar aleatoriamente la
poblacin de ms del espacio de soluciones. En este algoritmo, cada solucin

single se llama '' len ". En un problema de optimizacin dimensiones Nvar, un

len se representa como sigue: Len {x1; x2; x3; ...; xNvar}

Costo (valor de fitness) de cada len se calcula mediante la evaluacin de la

costfunction, como: valor de aptitud de len = f (Len) = {x1; x2; x3; ...;
xNvar}

En el primer paso, soluciones nPOP se generan aleatoriamente en el espacio de

bsqueda. % N de soluciones generadas son elegidos al azar como leones
nmadas. Hay tela de la poblacin se dividi aleatoriamente en manadas P.
Cada solucin en este algoritmo tiene un gnero especfico y se mantuvo
constante durante el proceso de optimizacin. Para emular este hecho, en cada
orgullo% S (% 75-% 90) de la poblacin total de Medin el ltimo paso que se
conoce como las hembras y los machos restas. Para leones nmadas, este
ratiois viceversa% (1_S). Durante estos procesos arqueando cada len marca
su mejor posicin visitado. De acuerdo con estas posiciones marcadas, se
forma el territorio de cada orgullo. As, para cada orgullo, marcada posiciones
(mejores posiciones visitadas) por sus miembros forman el territorio de ese
orgullo.

2.2. algoritmo propuesto

2.2.1. Inicializacin La carta de acuerdo es un algoritmo de meta-heurstico

basado en la poblacin en la que el primer paso es para generar
aleatoriamente la poblacin de ms del espacio de soluciones. En este
algoritmo, cada solucin single se llama '' len ". En un problema de
optimizacin dimensiones Nvar, un len se representa como sigue: Len {x1;
x2; x3; ...; xNvar}

Costo (valor de fitness) de cada len se calcula mediante la evaluacin de la

funcin de coste, como: valor de aptitud de len = f (Len) = {x1; x2; x3; ...;
xNvar}

En el primer paso, soluciones nPOP se generan aleatoriamente en el espacio de

bsqueda. % N de soluciones generadas son elegidos al azar como leones
nmadas. Hay tela de la poblacin se dividi aleatoriamente en manadas P.
Cada solucin en este algoritmo tiene un gnero especfico y se mantuvo
constante durante el proceso de optimizacin. Para emular este hecho, en cada
orgullo% S (% 75-% 90) de la poblacin entera formada en el ltimo paso que
se conoce como las hembras y los machos restas. Para leones nmadas, esta

relacin es la inversa% (1_S). Durante estos procesos arqueando cada len

marca su mejor posicin visitado. De acuerdo con estas posiciones marcadas,
se forma el territorio de cada orgullo. As, para cada orgullo, marcada
posiciones (mejores posiciones visitadas) por sus miembros forman el territorio
de ese orgullo.

2.2.2. En cada caza orgullo cierta mirada femenina para una presa en un grupo
para proporcionar alimentos para su orgullo. Estos cazadores tienen estrategias
especficas para rodear la presa y atraparlo. En general, los leones siguieron
aproximadamente los mismos patrones cuando la caza [60]. Stander [60]
divide los leones en siete funciones diferentes acecho, que se muestra en la
Fig. 1, la agrupacin de estos papeles a Extremo izquierdo, central y derecho
ala posiciones. Durante la caza, cada una leona corrige su posicin en funcin
de su propia posicin y las posiciones de los miembros del grupo. Debido a este
hecho de que durante la caza de algunos de estos cazadores de presas rodear
y atacar desde la posicin opuesta, utilizamos oposicin - Aprendizaje basado
en (OBL). El concepto bsico de oposicin con base en el aprendizaje (OBL) fue
propuesto por Tizhoosh [61] y se ha demostrado ser un mtodo eficaz para
resolver problemas de optimizacin.

El principio de oposicin - aprendizaje basado en (OBL) se da en la Fig. 2. De

acuerdo con los hechos antes mencionados, los cazadores estn divididos
aleatoriamente en tres subgrupos. Grupo con finezas ms altos miembros
acumulativos 'se considera como Center y los otros dos grupos consideras dos
alas. Una presa ficticia (presa) se considera en el centro de los cazadores
(PRESA Phuntersx1; DX2; x3; ...; xNvar = nmero de cazadores). Durante la
caza, los cazadores son seleccionados al azar, uno tras otro, y cada ataque
cazador de presas seleccionadas ficticia que se definir ms adelante este
procedimiento segn el grupo que selecciona len es que pertenecen a.
A lo largo de la caza, si un cazador mejora sus propias sutilezas, presa
escapar del cazador y se obtiene nueva posicin de presa de la siguiente
manera: PREY0
es la posicin actual de la presa, Hunter es nueva posicin cazador que atacan
a la presa y PI es el porcentaje de mejora en la aptitud del cazador (ver Fig. 3).
Se proponen las siguientes frmulas para imitar la presa de cerco por parte de
grupos cazadores mencionados. Las nuevas posiciones de cazadores que son
pertenecen izquierda y derecha ala tanto se generan de la siguiente manera.
En las ecuaciones anteriores, rand (a, b) genera un nmero aleatorio entre a y
b, donde a y b son lmites superior e inferior, respectivamente. Un ejemplo de
cercar en carta de acuerdo por el Centro de len y el len del ala se muestra en
la Fig. 4. El mecanismo de caza propuesta tiene algunas ventajas para lograr
que las mejores soluciones. Fuera de pie uno es que esta estrategia
proporciona un barrio en forma de crculo alrededor de la presa, y dejar que los

cazadores a cerca de la presa desde diferentes direcciones. En segundo lugar,

esta estrategia ofrece una oportunidad para que las soluciones para escapar de
los ptimos locales debido a que algunos cazadores utilizan posicin opuesta.
2.2.3. Ir hacia lugar seguro Como se mencion en la ltima subseccin, en cada
orgullo algunas hembras van de cacera. hembras permanecido van hacia una
de las zonas del territorio. Desde el territorio de cada uno de los orgullos
consisten en mejores posiciones hasta el momento personal de cada miembro,
y asistencias Len optimizacin del algoritmo (LOA) para guardar las mejores
soluciones obtenidas hasta el momento en el transcurso de iteracin, que
puede ser utilizado como informacin valiosa y confiable para mejorar las
soluciones en la carta de acuerdo. Por lo tanto, la nueva posicin de un len
hembra puede darse como: Mujer Lion0 Mujer Lion 2D
donde Len femenino es la posicin actual de la mujer Len, D muestra la
distancia entre la posicin de la mujer Len y el punto seleccionado elegido por
la seleccin del torneo entre el territorio de la manada. R1fg es un vector que
su punto de partida es la ubicacin anterior de la mujer Len, y su direccin es
hacia la posicin seleccionada. {R2} es perpendicular {R1}. Ahora describimos
nuestra estrategia seccin de torneos. En primer lugar, definimos el xito de un
len si mejora su mejor posicin en la ltima iteracin de la LOA.

Un alto nmero de xitos indica que los leones han convergido a un punto que
est lejos de ser el punto ptimo. Del mismo modo, un nmero bajo de xito
demuestra que los leones estn haciendo pivotar alrededor de la solucin
ptima sin mejora significativa. As que este factor se puede utilizar como una
serie de elementos tiles para el tamao de un torneo.

2.2.4. Cada itinerancia len macho en un orgullo vaga en el territorio de ese

orgullo debido a algunas razones. Para emular este comportamiento de los
machos residentes, R% del territorio orgullo son seleccionados al azar y son
visitados por ese len. A lo largo de la itinerancia, si es macho residente visita
una nueva posicin que es mejor que su mejor posicin actual, actualice su
mejor solucin visitado. Esta itinerancia es una fuerte bsqueda local y ayuda a
la optimizacin del algoritmo de Len (LOA) para buscar alrededor de una
solucin para mejorarlo. Este progreso se muestra en la Fig. 6. Como se
muestra en la fig. 6, len se mueve hacia el rea seleccionada de territorio por
unidades de x, en donde x es un nmero aleatorio con distribucin uniforme.

donde d indica la distancia entre la posicin del len macho y el rea

seleccionada del territorio. El vector desde la posicin del len macho en el
rea seleccionada del territorio muestra la direccin original de movimiento.
Para proporcionar una oportunidad para buscar una zona ms amplia en torno
a la solucin actual y la adicin de propiedad intensificacin con el mtodo y

para buscar una zona ms amplia en torno a la solucin actual, se aade el

ngulo con respecto a esta direccin. Parece un ngulo que seleccionada por
distribucin uniforme entre _ / 6 (rad) y / 6 (rad) es adecuada para este
objetivo. En el pseudo-cdigo 3, se muestra el comportamiento del len macho:

2.2.5. Acoplamiento Acoplamiento es un proceso esencial que asegura la

supervivencia de los leones, as como proporcionar una oportunidad para el
intercambio de informacin entre los miembros. En cada orgullo, Ma% de
mujeres leones se aparean con una o varias machos residentes. Estos machos
son l al azar de la misma orgullo como la hembra para producir descendencia.
Para leones nmadas que es diferente, ya que un nmada hembra se acopla
slo uno de los machos, que son seleccionados al azar.

Lion Optimization Algorithm (LOA): A natureinspired metaheuristic algorithm

Abstract
During the past decade, solving complex optimization problems with metaheuristic algorithms
has received considerable attention among practitioners and researchers. Hence, many
metaheuristic algorithms have been developed over the last years. Many of these algorithms are
inspired by various phenomena of nature. In this paper, a new population based algorithm, the
Lion Optimization Algorithm (LOA), is introduced. Special lifestyle of lions and their cooperation
characteristics has been the basic motivation for development of this optimization algorithm.
Some benchmark problems are selected from the literature, and the solution of the proposed
algorithm has been compared with those of some well-known and newest meta-heuristics for
these problems. The obtained results confirm the high performance of the proposed algorithm in
comparison to the other algorithms used in this paper. & 2015 Society of CAD/CAM Engineers.
Production and hosting by Elsevier. All rights reserved. This is an open access article under the
CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).

1. Introduction Many engineering optimization problems are usually quite difficult to

solve, and many applications have to deal with these complex problems. In these
problems, search space grows exponentially with the problem size. Therefore, the
traditional optimization methods do not provide a suitable solution for them. Hence,
over the past few decades, many meta-heuristic algorithms have been designed to
solve such problems. Researchers have shown good performance of meta-heuristic
algorithms in a wide range of complex problems such as scheduling problems [16],
data clustering [7,8], image and video processing [912], tuning of neural networks
[1315] and pattern recognition [1618], etc. For many years, human have utilized the
guidance of nature in finding the most appropriate solution for problems. Hence, during
the last decades, there has been a growing attempt in developing algorithms inspired
by nature [1921]. For exam-ple, Genetic algorithm was proposed by Holland [22], and
simulates Darwnian evolution concepts. Artificial Immune Systems [23], simulate
biological immune systems for optimi-zation. Ant Colony Optimization [24] was inspired

by beha-vior of ants foraging for food. Particle Swarm Optimization [25] mimics the
social behavior of a flock of migrating birds trying to reach an unknown destination.
Marriage in Honey Bee Optimization Algorithm (MBO) was proposed by Abbass [26],
and mimics processes of reproduction in the honey bee colony. Bacterial Foraging
Algorithm [27] simulates search and optimal foraging of bacteria. The Shuffled Frog
Leaping algorithm [28] was inspired by a frog population searching for food. The Cat
Swarm algorithm [29] was developed based on the behavior of cats. Invasive weed
optimization was proposed by Mehrabian and Lucas [30], and mimics the ecological
behavior of colonizing weeds. Monkey Search [31] simulates a monkey in search for
food resources. Water flow-like algo-rithm [32] was inspired by water flowing from
higher to lower levels. Biogeography-based optimization algorithm was intro-duced by
Simon [33], and inspired by biogeography which refers to the study of biological
organisms in terms of geographical distribution (over time and space). The Fish
School Search [34] was proposedbasedonthegregarious behaviorofoceanic fish.
CuckooSearch [35] and Cuckoo optimizationalgorithm [36] are
basedonreproductionstrategy of cuckoos.Bat-inspiredAlgorithm [37] was inspiredbythe
echolocationbehaviorofbats.Firefly algorithm [38] simulates the socialbehaviorof
fireflies basedontheir flashingchar- acteristics.DolphinPartnerOptimization [39] and
Dolphin echolocationalgorithm [40] wereinspiredbydolphins'beha- viors.
Flowerpollinationalgorithm [41] mimicsthepollination characteristicsof
floweringplantsandtheassociated flower consistencyofsomepollinatinginsects.Krillherd
[42] inspired by the herdingbehaviorofkrillindividuals.Wolf search [43] and
GreyWolfOptimizer [44] are inspiredby behaviorsofwolves.Watercyclealgorithm [45] was
basedon the observationofwatercycleprocessandhowriversand streams flow
totheseaintherealworld.TheSocialspider
optimization,inspiredbythesocialbehaviorofakindof spider,hasbeenproposedrecently
[46]. Forest Optimization Algorithm [47] was inspiredbyfewtreesintheforestswhich can
survive for many years,whileothertreescouldlivefora short time.
Aforementionedalgorithmsarewidelyappliedbyresearch- ers inmanydifferentareas [48
51]. However,thereisno particularalgorithmtogainthemostappropriatesolutionfor all
optimizationproblems.Somealgorithmsprovidebetter solution
forsomeparticularproblemscomparedwithothers.
Therefore,pursuingfornewoptimizationtechniquesisan open problem [52]. In
thispaper,anoptimizationalgorithmbasedonlion's
behaviorandsocialorganization,namelyLionOptimization
Algorithm(LOA)isproposed.Intheliterature,Wang [53] and Rajakumar [54]
proposedtwoalgorithmsinspiredbyfew charactersoflions.Rajakumar [54]
describedthemain operatorofLion'sAlgorithmas Mating thatreferstoderiving new
solutionsandTerritorialDefenseandTerritorialTakeover intend to find
andreplacetheworstsolutionbynewthebest solution.
LikeLion'sAlgorithm,Lionprideoptimizer [53] is based on fighting
betweenindividualandmating.Butlionsin addition ofmatingand fighting
exhibitotherbehaviorssuchas specialstyleofpreycapturing,territorialmarking,migration,
difference betweenlifestyleofnomadandresidentlions.So,
proposedalgorithmisinspiredbysimulationofthesolitary and
cooperativebehaviorsoflionswhicharecompletely different fromthepreviousalgorithm.
After thisintroduction,theremainderofthispaperis structuredasfollows:In Section2 the
proposedLion OptimizationAlgorithm(LOA)isoutlined,anditsimplemen- tation
stepsareexplainedindetails.Comparativestudyand experimentalresultsarepresentedin
Section 3 to verifythe efficiency oftheproposedalgorithm.Finally,conclusionsare

presentedinthelastsection. 2. LionOptimizationAlgorithm(LOA) In
thissection,theinspirationoftheproposedmeta-heuristic is first
discussed.Then,LionOptimizationAlgorithm(LOA)is presented. 2.1. Inspiration
Lionsarethemostsociallyinclinedofallwildcatspecies which
displayhighlevelsofcooperationandantagonism [55]. Lions
areofparticularinterestbecauseoftheirstrongsexual
dimorphisminbothsocialbehaviorandappearance.Thelion is
awildfelidwithtwotypesofsocialorganization:residents and
nomads.Residentslivesingroups,calledpride [56]. A pride oflionstypicallyincludesabout
five females,theircubs of bothsexes,andoneormorethanoneadultmales.Young males
areexcludedfromtheirbirthpridewhentheybecome sexually mature [56].
Asmentionbefore,thesecondorganiza- tional
behavioriscallednomads,whomoveaboutsporadi- cally,
eitherinpairsorsingularly.Pairsaremoreseenamong related
maleswhohavebeenexcludedfromtheirmaternal pride.
Noticethatalionmayswitchlifestyles;residentsmay becomenomadsandviceversa [56].
Unlikeallothercats,Lionstypicallyhunttogetherwith other
membersoftheirpride.Severallionessesworktogether and
encirclethepreyfromdifferentpointsandcatchthevictim with
afastattack.Coordinatedgrouphuntingbringsagreater
probabilityofsuccessinlionhunts.Themalelionsandsome lionesses
usuallystayandrestwhilewaitingforthehunter lionesses toreturnfromthehunt [57].
Lionsdomateatany time oftheyear,andthefemalesarepolyestrous(when females
notrearingtheircubsarereceptive) [58]. Alioness may
matewithmultiplepartnerswhensheisinheat [59]. In nature,
maleandfemalelionsmarktheirterritoryandelse- where,
whichseemsagoodplacewithurine. In thiswork,somecharactersoflionsaremathematically
modeled inordertodesignanoptimizationalgorithm.Inthe
proposedalgorithm,LionOptimizationAlgorithm(LOA),an initial
populationisformedbyasetofrandomlygenerated
solutionscalledLions.Someofthelionsintheinitial population(%N)
areselectedasnomadlionsandrestpopula- tion (residentlions)israndomlypartitionedinto P
subsets called prides. S percent ofthepride'smembersareconsidered as
femaleandrestareconsideredasmale,whilethisrate(sex rate %S)
innomadlionsisviceversa. Foreachlion,thebestobtainedsolutioninpassediterations is
calledbestvisitedposition,andduringtheoptimization
processisupdatedprogressively.InLOA,aprideterritoryis an
areathatconsistsofeachmemberbestvisitedposition.In each
pride,somefemaleswhichareselectedrandomlygo hunting.
Huntersmovetowardsthepreytoencircleandcatch it.
Therestofthefemalesmovetowarddifferentpositionsof territory.
Malelionsinpride,roaminterritory.Femalesin prides
matewithoneorsomeresidentmales.Ineachpride, young
malesareexcludedfromtheirmaternalprideand
becomenomadwhentheyreachmaturityand,theirpoweris less thanresidentmales.
Also,anomadlion(bothmaleandfemale)movesrandomly in thesearchspaceto find
abetterplace(solution).Ifthe strong nomadmaleinvadetheresidentmale,theresidentmale
is drivenoutofthepridebythenomadlion.Thenomadmale
becomestheresidentlion.Intheevolution,someresident females
immigratefromonepridetoanotherorswitchtheir

lifestyles andbecomenomadandviceversasomenomad
femalelionsjoinprides.Duetomanyfactorssuchaslackof food
andcompetition,weakestlionwilldieorbekilled.Above
processcontinuesuntilthestoppingconditionissatisfied.
2.2. Proposedalgorithm
2.2.1. Initialization The LOAisapopulation-basedmeta-heuristicalgorithmin which the
first stepistorandomlygeneratethepopulationover the
solutionspace.Inthisalgorithm,everysinglesolutionis called Lion. Ina Nvar
dimensionaloptimizationproblem,a Lion isrepresentedasfollows: Lion x1; x2; x3;;
xNvar _ _ 1 Cost (fitness value)ofeachLioniscomputedbyevaluating the costfunction,as:
fitness valueoflion f Lion f x1; x2; x3;; xNvar _ _ 2 In first step, Npop
solutionsaregeneratedrandomlyinsearch space. %N of
generatedsolutionsarerandomlychosenas nomad
lions.Therestofthepopulationwillberandomly divided into P
prides.Everysolutioninthisalgorithmhasa specific
genderandremainedconstantduringtheoptimization
process.Toemulatingthisfact,ineachpride%S (%75%90) of
entirepopulationformedinthelaststepareknownas
femalesandtherestasmales.Fornomadlions,thisratiois vice versa % (1_S).
Overthesearchingprocesseverylion
marksitsbestvisitedposition.Accordingtothesemarked
positions,everypride'sterritoryisformed.So,foreachpride,
markedpositions(bestvisitedpositions)byitsmembersform that pride'sterritory. 2.2.2.
Hunting In eachpridesomefemalelookforapreyinagroupto
providefoodfortheirpride.Thesehuntershavespecific
strategiestoencirclethepreyandcatchit.Ingeneral,lions
followedapproximatelythesamepatternswhenhunting [60]. Stander [60] divided
thelionsintosevendifferentstalking roles, shownin Fig. 1,
groupingtheserolesintoLeftWing, Centre
andRightWingpositions.Duringhunting,eachlioness corrects
itspositionbasedonitsownpositionandthepositions of membersofthegroup. Due
tothisfactthatduringhuntingsomeofthesehunters
encirclepreyandattackfromoppositeposition,weutilize OppositionBasedLearning(OBL).Thebasicconceptof OppositionBasedLearning(OBL)wasproposedbyTizhoosh [61] and
hasbeenproventobeaneffectivemethodforsolving optimizationproblems.
The principleofOpposition-BasedLearning (OBL) isgivenin Fig. 2.
Accordingtoaforementionedfacts,huntersaredividedinto three
subgroupsrandomly.Groupwithhighestcumulative members'
finessesisconsideredasCenterandtheothertwo groups
considerastwowings.Adummyprey(PREY) is considered incenterofhunters(PREY
Phuntersx1; x2; x3;; xNvar =number ofhunters).Duringhunting,hunters are
selectedoneafteranotherrandomly,andeachselected hunter
attackondummypreywhichthisprocedurewillbe defined
lateraccordingtogroupthatselectedlionisbelongto that.
Throughouthunting,ifahunterimprovesitsown finesses, PREY will
escapefromhunterandnewpositionof PREY is obtainedasfollows: PREY0 PREYrand 0;
1_PI _ PREY_Hunter 3 where PREYiscurrentpositionofprey,Hunterisnew position
hunterwhoattacktopreyandPIisthepercentage of improvementin fitness ofhunter(see

Fig. 3). The followingformulasareproposedtomimicencircling prey

bymentionedhuntergroups.Thenewpositionsof hunters
whicharebelongbothleftandrightwingare generated asfollows
aboveequations,rand(a,b)generatesarandomnumber between a and b, where a and
bareupperandlowerbounds, respectively.AnexampleofencirclinginLOAbyCenterlion and
Winglionisshownin Fig. 4. Theproposedhunting mechanism
hassomeadvantagestoachievetothebetter

2.2.3. Moving Toward Safe Place As mentioned in last subsection, in each pride some
females go hunting. Remained females go toward one of the areas of territory. Since
territory of each prides consist of personal best so far positions of each member, and
assists Lion Optimization Algorithm (LOA) to save the best solutions obtained so far
over the course of iteration, it can be used as valuable and reliable information to
improve solutions in LOA. Therefore, the new position for a female lion may be given
as: Female Lion0 Female Lion 2D
where Female Lion is current position of female lion, D shows the distance between the
female lion's position and the selected point chosen by tournament selection among
the pride's territory. R1fg is a vector which its start point is the previous location of the
female lion, and its direction is toward the selected position.{R2} is perpendicular to
{R1}. Now we describe our tournament section strategy. First, we define the success of
a lion if it improves his or her best position at last iteration of the LOA.

A high number of successes indicate that the lions have converged to a point that is far
from the optimum point. Similarly, a low number of success shows that the lions are
swinging around the optimum solution without significant improvement. So this factor
can be used as a useful elements for size of a tournament.

2.2.4. Roaming Each male lion in a pride roams in that pride's territory due to some
reasons. To emulate this behavior of resident males, % R of pride territory are selected
randomly and are visited by that lion. Along roaming, if resident male visits a new
position which is better than its current best position, update his best visited solution.
This roaming is a strong local search and assists Lion Optimization Algorithm (LOA) to
search around of a solution to improve it. This progress is shown in Fig. 6. As shown in
Fig. 6, lion moves toward the selected area of territory by x units, wherein x is a
random number with uniform distribution.
2.2.4. Roaming Each male lion in a pride roams in that pride's territory due to some
reasons. To emulate this behavior of resident males, % R of pride territory are selected
randomly and are visited by that lion. Along roaming, if resident male visits a new
position which is better than its current best position, update his best visited solution.
This roaming is a strong local search and assists Lion Optimization Algorithm (LOA) to
search around of a solution to improve it. This progress is shown in Fig. 6. As shown in
Fig. 6, lion moves toward the selected area of territory by x units, wherein x is a
random number with uniform distribution.
where d shows the distance between the male lion's position and the selected area of
territory. The vector from the male lion's position to the selected area of territory shows

the original direction of movement. To provide a chance for searching a wider area
around current solution and adding intensification property to the method and to
search for a wider area around current solution, the angle is added to this direction. It
seems an angle which selected by uniform distribution among _/6 (rad) and /6 (rad)
is adequate for this goal. In the Pseudo-code 3, the behavior of the male lion is shown:

2.2.5. Mating Mating is an essential process that assures the lions' survival, as well as
providing an opportunity for information exchange among members. In every pride,
%Ma of female lions mate with one or several resident males. These males are selected
randomly from the same pride as the female to produce offspring. For nomad lions it's
different in that a nomad female only mates with one of the males which are selected
randomly.