在算法中，海豚的角色由搜索代理扮演 —— 即解空间中的点。每只这样的 "海豚" 都代表问题的一个潜在解。例如，如果我们在寻找简单函数 y = x² 的最小值，那么一只海豚可能在点 x = -3 处（此处 y = 9），另一只在点 x = 1 处（此处 y = 1），第三只可能随机落在点 x = 0 处（此处 y = 0）—— 当前表现最好的海豚。
但海豚是如何交换信息的呢？这就引出了有效半径的概念，记为 "Re"。想想手电筒的光能传播多远。当 Re = 1 时，我们得到一束狭窄的光，只能照亮紧邻的区域。当 Re = 3 时，光线散布得更宽，覆盖更多空间。当 Re = 5 或更高时，搜索行为更像是泛光灯。在算法的语境中，这意味着关于优质解的信息会传播到邻近区域，且这种影响的强度随距离递减。
新文章 海豚回波定位算法（DEA）已发布：
为了更好地理解算法的工作原理，让我们想象这样一个场景。你和朋友们在一片广阔的海滩上寻找黄金，每人都拿着金属探测器。搜索开始时，分散到整个区域是合理的 —— 这样你们更有可能偶然发现有趣的东西。但一旦其中一人听到强烈的信号，他就会通知其他人，渐渐地整个团队开始集中到有前景的地方。到搜索结束时，所有人都在最强信号附近挖掘。这就是海豚回声定位算法的精髓。
在算法中，海豚的角色由搜索代理扮演 —— 即解空间中的点。每只这样的 "海豚" 都代表问题的一个潜在解。例如，如果我们在寻找简单函数 y = x² 的最小值，那么一只海豚可能在点 x = -3 处（此处 y = 9），另一只在点 x = 1 处（此处 y = 1），第三只可能随机落在点 x = 0 处（此处 y = 0）—— 当前表现最好的海豚。
但海豚是如何交换信息的呢？这就引出了有效半径的概念，记为 "Re"。想想手电筒的光能传播多远。当 Re = 1 时，我们得到一束狭窄的光，只能照亮紧邻的区域。当 Re = 3 时，光线散布得更宽，覆盖更多空间。当 Re = 5 或更高时，搜索行为更像是泛光灯。在算法的语境中，这意味着关于优质解的信息会传播到邻近区域，且这种影响的强度随距离递减。
所有这些信息都以 "前景图" 的形式累积起来，算法称之为累积适应度（AF）。想象一下城市的热力图，其中 "热" 区表示高活动区域。在我们的例子中，"热" 区是海豚找到优质解（猎物）的区域。某个区域的成功发现越多，它就越 "热"，从而吸引更多海豚。
作者：Andrey Dik