【2023年算法比较】13种最新智能优化算法大比拼（Matlab代码实现）

【2023年算法比较】13种最新智能优化算法大比拼（Matlab代码实现）

2024-12-19 09:53

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

2.1 CEC2005测试函数

2.1 CEC2022测试函数

🎉3 参考文献

🌈4 Matlab代码实现

效果图

以下是优化算法的简要介绍：

1. COA（Crow Search Algorithm）：基于鸟群觅食行为的优化算法，模拟鸟群在搜索食物时的合作和竞争行为。

2. GMO（Gravitational Search Algorithm）：基于物体间引力和质量的优化算法，模拟物体在引力场中的运动过程来搜索最优解。

3. WOA（Whale Optimization Algorithm）：基于鲸鱼社会行为的优化算法，模拟鲸鱼的追逐和协作行为来搜索最优解。

4. WWPA（Wind-driven Optimization Algorithm）：基于风力驱动的优化算法，模拟风力对物体的影响来搜索最优解。

5. OMA（Owl Migration Algorithm）：基于猫头鹰迁徙行为的优化算法，模拟猫头鹰在迁徙过程中的搜索和选择行为。

6. GOA（Grasshopper Optimization Algorithm）：基于蚱蜢觅食行为的优化算法，模拟蚱蜢在草地上搜索食物的过程。

7. GWCA（Grey Wolf Optimizer）：基于灰狼社会行为的优化算法，模拟灰狼群体中的领导者和追随者之间的协作和竞争。

8. CDO（Colliding Bodies Optimization）：基于物体碰撞行为的优化算法，模拟物体之间的碰撞和反弹来搜索最优解。

9. GRO（Glowworm Swarm Optimization）：基于萤火虫群体行为的优化算法，模拟萤火虫在夜晚发光吸引伴侣的行为来搜索最优解。

10. ILA（Invasive Weed Optimization Algorithm）：基于入侵杂草生长行为的优化算法，模拟杂草的繁殖和扩散过程来搜索最优解。

11. RIME（Rapid Iterative Model Evolution）：一种快速迭代模型演化的优化算法，通过不断调整模型参数和结构来适应目标函数。

12. SABO（Social-oriented Artificial Bee Colony Optimization）：基于社会导向的人工蜂群优化算法，模拟蜜蜂在群体中的信息共享和协作来搜索最优解。

13. SAO（Social-oriented Ant Optimization）：基于社会导向的蚁群优化算法，模拟蚁群中蚂蚁之间的信息传递和协作来搜索最优解。

这些优化算法都具有独特的特点和适用性，在不同的问题领域和场景下可能有不同的效果和表现。选择合适的优化算法需要根据具体问题的特征和要求，结合算法的优势和特点进行综合考虑。

2.1 CEC2005测试函数

2.1 CEC2022测试函数

部分代码：

%% Figure
figure1 = figure('Color',[1 1 1]);
G1=subplot(1,2,1,'Parent',figure1);
func_plot(number)
title(number)
xlabel('x')
ylabel('y')
zlabel('z')
subplot(1,2,2)
G2=subplot(1,2,2,'Parent',figure1);
iter=1:1:max_iter;
if ~strcmp(number,'F16')&&~strcmp(number,'F9')&&~strcmp(number,'F11') %这里是因为这几个函数收敛太快，不适用于semilogy，直接plot
semilogy(iter,COA_convergence_curve,'m','linewidth',1);
hold on
semilogy(iter,GMO_convergence_curve,'k','linewidth',1);
hold on
semilogy(iter,WOA_convergence_curve,'b','linewidth',1);
hold on
semilogy(iter,WWPA_convergence_curve,'r','linewidth',1);
hold on
semilogy(iter,OMA_convergence_curve,'g','linewidth',1);
hold on
semilogy(iter,GOA_convergence_curve,'y','linewidth',1);
hold on
semilogy(iter,GWCA_convergence_curve,'c','linewidth',1);
hold on
semilogy(iter,CDO_convergence_curve,'color',[0 0.4470 0.7410],'linewidth',1);
hold on
semilogy(iter,GRO_convergence_curve,'color',[0.8500 0.3250 0.0980],'linewidth',1);
hold on
semilogy(iter,ILA_convergence_curve,'color',[0.9290 0.6940 0.1250],'linewidth',1);
hold on
semilogy(iter,RIME_convergence_curve,'color',[0.4940 0.1840 0.5560],'linewidth',1);
hold on
semilogy(iter,SABO_convergence_curve,'color',[0.4660 0.6740 0.1880],'linewidth',1);
hold on
semilogy(iter,SAO_convergence_curve,'color',[0.3010 0.7450 0.9330],'linewidth',1);

else
plot(iter,COA_convergence_curve,'m','linewidth',1);
hold on
plot(iter,GMO_convergence_curve,'k','linewidth',1);
hold on
plot(iter,WOA_convergence_curve,'b','linewidth',1);
hold on
plot(iter,WWPA_convergence_curve,'r','linewidth',1);
hold on
plot(iter,OMA_convergence_curve,'g','linewidth',1);
hold on
plot(iter,GOA_convergence_curve,'y','linewidth',1);
hold on
plot(iter,GWCA_convergence_curve,'c','linewidth',1);
hold on
plot(iter,CDO_convergence_curve,'color',[0 0.4470 0.7410],'linewidth',1);
hold on
plot(iter,GRO_convergence_curve,'color',[0.8500 0.3250 0.0980],'linewidth',1);
hold on
plot(iter,ILA_convergence_curve,'color',[0.9290 0.6940 0.1250],'linewidth',1);
hold on
plot(iter,RIME_convergence_curve,'color',[0.4940 0.1840 0.5560],'linewidth',1);
hold on
plot(iter,SABO_convergence_curve,'color',[0.4660 0.6740 0.1880],'linewidth',1);
hold on
plot(iter,SAO_convergence_curve,'color',[0.3010 0.7450 0.9330],'linewidth',1);
end
grid on;
title('收敛曲线')
xlabel('迭代次数');
ylabel('适应度值');
box on
legend('COA','GMO','WOA','WWPA','OMA','GOA','GWCA','CDO','GRO','ILA','RIME','SABO','SAO')
set (gcf,'position', [300,300,800,330])

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。