本四十四弹为金鹰优化器，而审时言吾嫌广营销，费力作久，无奈只除。汝听！人言否？甚为人心！则离谱！岂为雕牌代言人乎！？
吐槽归吐槽。本期我们介绍政治优化器(Political Optimizer,PO)。该算法由Qamar Askari 等人于2020年提出，主要模拟了政治的多阶段过程，其中算法将种群划分为政党和选区，通过候选人更新政党领袖和选区获胜者的位置来达到寻优的目的。
原文中先给出了大段的介绍性文字，让我们耐心了解一下：
政治在不同的背景下有不同的含义。党的政治制度可以分为四种主要类型：一党制、两党制、主权制和多党制。此外，也可以通过议会制或总统制来治理国家。作者从这些党制中综合了一些共性，像是政党和选区的概念，政治家和政党的联系、同党政治家的合作等等。多党民主的政治实践是一个复杂的政治过程，涉及社会各个层面，如图1所示：
- 政党信息：政党是由具有共同议程的个体组成，这些个体被称为政客或公职候选人，图1中Pi代表第i 个政党的成员。
- 政党选择：成员就根据自己的立场来更换党派，如图1中P1、P2、P3中分别包含了P2、P3、P1的成员。
- 选票分配：成员会被分配政党票，以便在选区中竞争选举。图1中笑脸Ci 表示成员正在进行第i 个选举。
- 竞选活动：候选人查看他们的选区并说服选民投票，这会使候举人的声誉进行更新。
- 党间选举：在每个选区，选民投票给候选人以决定获胜者。图1中每个选取的获胜者加粗表示，如P1在C1、C2中胜出。
- 政府组建和议会事务：来自各党派的获胜者组成议会，并相互合作运行政府。
下面进入正题。PO算法由五个阶段组成，包括政党组建和选区分配、竞选活动、政党转换、政党间选举和议会事务。其中政党组建和选区分配只运行一次，其余四个阶段在循环中执行。
政党组建和选区分配
首先将种群P 分成n个党派：
这里每个党派又包含n个成员，d 为空间维度。假设一个党派内包含n个选区：
选区和党派的关系如图2所示：
简单来讲就是说p1(1)他是党派1中选区1内的成员。一个党派中人气最高的成员被宣布为党派领导人，这是在大选（跨党派选举）之后决定的：
其中pi为党派i 的领导人。所有党派领导人(就是把每个子种群的最优个体集合起来)的集合由P* 表示：
选举结束后，每个党派中所有选区的获胜者成为议员，组成议会：
简单来说就是c1* 对应图2中第一列的最优个体。
政党选举活动（探索和开发）
这一阶段有助于候选人提高他们在选举中的表现，若个体i在此代适应度值优于前一代适应度值，则遵循式(9)，否则遵循式(10)：
式中r 为[0,1]内一随机值，式(9)中的m* 为所有党派的领导人(全局最优个体)，而式(10)中的m* 为议会中的对应个体。可以看出，这六种更新方式都比较一般，没什么花里胡哨的。每一种方式的1、3更新对应探索，2对应开发。至此，此部分的算法迭代伪代码为：
政党转换（平衡探索和开发）
此阶段引入一个名为"党派转换率"的自适应参数 来平衡算法的探索行为、开发行为。每个成员依据
来判断是否随机跳槽到另一个党派(他会和该党派适应度值最差的个体交换以维持各党派人数)。此部分算法迭代伪代码为：
竞选(适应度值评估)
这个竞选，顾名思义，对应算法中的适应度值更新及最优个体选取。
议会事务
在跨党派选举后，政府成立。这里也就是人员的更替，不过涉及了cnew这么个变量：
至此，算法整体介绍完毕。图3为假设n=3情况下算法的操作流程：
图3中虚线区域表示选区，每个党派的成员用不同的符号表示。
(a).种群初始化
(b).选举产生党派领导人和选区的获胜者。
(c-d).根据党派领导人更新位置。
(e-f).根据选区获胜者更新位置。
(g-h).政党转换。
(i).选举阶段、党派领导人和选区获胜者角色的重新分配。
(j-k).议会事务阶段。
(l).重新生成位置。
算法总体迭代伪代码为：
本期我们将PO算法与往期的冠状病毒群体免疫优化器(CHIO)、蜜獾算法(HBA)在部分CEC2017测试函数上进行对比测试，取种群规模为30，维度为30，最大迭代次数为10000，计算结果如下：
就迭代曲线来看，PO算法虽然精度不容置疑，但这个收敛速度属实拉胯啊。。。在原文中的标准测试函数测试上PO算法的性能也不错：
总体来说，PO算法结构较为复杂，但是理解了相关概念后就比较容易上手了。算法从逻辑上将种群划分为政党和选区，为每个成员分配双重角色。因为有多个较优解，所以在议会事务阶段成员间相互交流，进一步提升议员的质量，同时政党选择操作也提升了次级种群多样性。但是这就产生了较大的运算量，而且收敛速度欠佳。期待更多的改进版本~
