海马编程（Sea-Horse optimizer, SHO）是一种模拟自然界中海马行为模式的优化算法。以下是一个使用MATLAB实现的海马算法示例，用于求解Rosenbrock函数：
```matlab
% 定义目标函数
function f = rosenbrock（x）
f = 100 * （x（2） - x（1）^2）^2 + （1 - x（1））^2；
end
% 海马算法求解单目标优化问题
function [bestX, bestFit] = seaHorseAlgorithm（objFunction, dim, popSize, maxIter, stepSize）
% 初始化参数
numHorses = popSize；
numIterations = maxIter；
horses = rand（numHorses, dim）；
bestX = horses（:, 1）；
bestFit = objFunction（bestX）；
for iter = 1:numIterations
% 计算适应性函数值
fits = objFunction（horses）；
% 更新海马位置
for horse = 1:numHorses
r1 = rand（）；
r2 = rand（）；
alpha = 2 * r1 - 1；
beta = 2 * r2；
delta = stepSize * alpha * （bestX - horses（:, horse）） + stepSize * beta * （horses（:, horse） - horses（:, （horse + 1） % numHorses））；
horses（:, horse） = horses（:, horse） + delta；
end
% 更新最优解
bestIndex = find（fits < bestFit）；
if ~isempty（bestIndex）
bestX = horses（bestIndex, :）；
bestFit = fits（bestIndex）；
end
end
end
% 设定参数并调用海马算法
dim = 2； % 问题维度
popSize = 20； % 种群数量
maxIter = 200； % 迭代次数
stepSize = 1； % 步长
[bestX, bestFit] = seaHorseAlgorithm（rosenbrock, dim, popSize, maxIter, stepSize）；
fprintf（'最优解： f（%f, %f） = %f\n', bestX（1）, bestX（2）, bestFit）；
```
代码说明：
目标函数 ：定义了Rosenbrock函数，其形式为`f（x） = 100*（x2-x1^2）^2 + （1-x1）^2`，全局最小值位于`f（1,1）=0`处。海马算法
初始化：
随机生成初始海马种群。
计算适应性函数值：对每一只海马，计算其适应性函数值，即问题目标函数值。
更新海马位置：根据适应性函数值和步长，更新海马的位置。
精英个体：引入精英个体，避免局部最优。
莱维飞行：模拟海马的螺旋运动模式。
调用：
设定问题维度、种群数量、迭代次数和步长，调用海马算法求解最优解。
这个示例展示了如何使用MATLAB实现海马算法，并求解Rosenbrock函数。你可以根据需要调整参数和目标函数来应用于不同的优化问题。