多种智能优化算法运行时间和不同函数测试对比附matlab代码

本文涉及的产品
应用型负载均衡 ALB,每月750个小时 15LCU
网络型负载均衡 NLB,每月750个小时 15LCU
传统型负载均衡 CLB,每月750个小时 15LCU
简介: 多种智能优化算法运行时间和不同函数测试对比附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

智能优化算法是一种常用的求解最优化问题的方法,包括遗传算法、粒子群优化算法、蚁群算法等等。这些算法具有不同的优缺点和适用范围,因此在实际应用中需要进行对比。

下面是一些常见的智能优化算法及其特点:

  1. 遗传算法(GA):通过模拟种群遗传过程来寻找最优解,具有全局搜索能力和收敛速度较快的特点。
  2. 粒子群算法(PSO):通过模拟粒子在解空间中的运动过程来寻找最优解,具有易于实现和求解速度快的特点。
  3. 蚁群算法(ACO):利用蚁群在食物与蚂蚁巢穴之间的搜索规律来寻找最优解,具有分布式搜索和适用于多目标优化等特点。
  4. 本文涵盖鲸鱼算法、麻雀算法遗传算法、蝗虫算法、灰狼算法、改进蝗虫算法、改进灰狼算法飞蛾算法、飞蛾算法、多元宇宙算法、北方苍鹰算法、粒子群算法、蛇群算法、正弦算法等

为了比较这些算法的性能,通常需要进行不同函数测试。常用的测试函数包括Sphere、Rastrigin、Griewank、Ackley、Schwefel和Rosenbrock等。这些函数具有不同的复杂度和性质,可以用于评估不同算法的性能。另外加入了运行时间对比。

⛄ 部分代码

%_________________________________________________________________________________

%  Equilibrium Optimizer source code (Developed in MATLAB R2015a)

%

%  programming: Afshin Faramarzi & Seyedali Mirjalili

%

%  e-Mail: afaramar@hawk.iit.edu, afshin.faramarzi@gmail.com

%

%  paper:

%  A. Faramarzi, M. Heidarinejad, B. Stephens, S. Mirjalili,

%  Equilibrium optimizer: A novel optimization algorithm

%  Knowledge-Based Systems

%  DOI: https://doi.org/10.1016/j.knosys.2019.105190

%____________________________________________________________________________________


function [Ave,Sd,Convergence_curve]=EO(Particles_no,Max_iter,lb,ub,dim,fobj,Run_no)


for irun=1:Run_no


Ceq1=zeros(1,dim);   Ceq1_fit=inf;

Ceq2=zeros(1,dim);   Ceq2_fit=inf;

Ceq3=zeros(1,dim);   Ceq3_fit=inf;

Ceq4=zeros(1,dim);   Ceq4_fit=inf;


C=initialization(Particles_no,dim,ub,lb);



Iter=0; V=1;


a1=2;

a2=1;

GP=0.5;


while Iter<Max_iter

 

     for i=1:size(C,1)  

       

       Flag4ub=C(i,:)>ub;

       Flag4lb=C(i,:)<lb;

       C(i,:)=(C(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;        

         

       fitness(i)=fobj(C(i,:));

     

       if fitness(i)<Ceq1_fit

             Ceq1_fit=fitness(i);  Ceq1=C(i,:);

       elseif fitness(i)>Ceq1_fit && fitness(i)<Ceq2_fit  

             Ceq2_fit=fitness(i);  Ceq2=C(i,:);              

       elseif fitness(i)>Ceq1_fit && fitness(i)>Ceq2_fit && fitness(i)<Ceq3_fit

             Ceq3_fit=fitness(i);  Ceq3=C(i,:);

       elseif fitness(i)>Ceq1_fit && fitness(i)>Ceq2_fit && fitness(i)>Ceq3_fit && fitness(i)<Ceq4_fit

             Ceq4_fit=fitness(i);  Ceq4=C(i,:);

                       

       end

     end

     

%---------------- Memory saving-------------------  

     if Iter==0

       fit_old=fitness;  C_old=C;

     end

   

    for i=1:Particles_no

        if fit_old(i)<fitness(i)

            fitness(i)=fit_old(i); C(i,:)=C_old(i,:);

        end

    end


   C_old=C;  fit_old=fitness;

%-------------------------------------------------

     

Ceq_ave=(Ceq1+Ceq2+Ceq3+Ceq4)/4;                              % averaged candidate

C_pool=[Ceq1; Ceq2; Ceq3; Ceq4; Ceq_ave];                     % Equilibrium pool


 

t=(1-Iter/Max_iter)^(a2*Iter/Max_iter);                      % Eq (9)


 

   for i=1:Particles_no

          lambda=rand(1,dim);                                % lambda in Eq(11)

          r=rand(1,dim);                                     % r in Eq(11)  

          Ceq=C_pool(randi(size(C_pool,1)),:);               % random selection of one candidate from the pool

          F=a1*sign(r-0.5).*(exp(-lambda.*t)-1);             % Eq(11)

          r1=rand(); r2=rand();                              % r1 and r2 in Eq(15)

          GCP=0.5*r1*ones(1,dim)*(r2>=GP);                   % Eq(15)

          G0=GCP.*(Ceq-lambda.*C(i,:));                      % Eq(14)

          G=G0.*F;                                           % Eq(13)

          C(i,:)=Ceq+(C(i,:)-Ceq).*F+(G./lambda*V).*(1-F);   % Eq(16)                                                            

   end

 

      Iter=Iter+1;  

      Convergence_curve(Iter)=Ceq1_fit;

      Ceqfit_run(irun)=Ceq1_fit;


end



% display(['Run no : ', num2str(irun)]);

% display(['The best solution obtained by EO is : ', num2str(Ceq1,10)]);

% display(['The best optimal value of the objective funciton found by EO is : ', num2str(Ceq1_fit,10)]);

% disp(sprintf('--------------------------------------'));

end



Ave=mean(Ceqfit_run);

Sd=std(Ceqfit_run);

end


%%

function [Cin,domain]=initialization(SearchAgents_no,dim,ub,lb)


Boundary_no= size(ub,2); % numnber of boundaries


% If the boundaries of all variables are equal and user enter a signle

% number for both ub and lb

if Boundary_no==1

   Cin=rand(SearchAgents_no,dim).*(ub-lb)+lb;

   domain=ones(1,dim)*(ub-lb);

end



% If each variable has a different lb and ub

if Boundary_no>1

   for i=1:dim

       ub_i=ub(i);

       lb_i=lb(i);

       Cin(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;

   end

   domain=ones(1,dim).*(ub-lb);

end

end

⛄ 运行结果

⛄ 参考文献


⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关实践学习
SLB负载均衡实践
本场景通过使用阿里云负载均衡 SLB 以及对负载均衡 SLB 后端服务器 ECS 的权重进行修改,快速解决服务器响应速度慢的问题
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
4月前
|
数据采集 机器学习/深度学习 大数据
行为检测代码(一):超详细介绍C3D架构训练+测试步骤
这篇文章详细介绍了C3D架构在行为检测领域的应用,包括训练和测试步骤,使用UCF101数据集进行演示。
138 1
行为检测代码(一):超详细介绍C3D架构训练+测试步骤
|
4天前
|
人工智能 自然语言处理 测试技术
Potpie.ai:比Copilot更狠!这个AI直接接管项目代码,自动Debug+测试+开发全搞定
Potpie.ai 是一个基于 AI 技术的开源平台,能够为代码库创建定制化的工程代理,自动化代码分析、测试和开发任务。
105 19
Potpie.ai:比Copilot更狠!这个AI直接接管项目代码,自动Debug+测试+开发全搞定
|
27天前
|
前端开发 JavaScript 测试技术
使用ChatGPT生成登录产品代码的测试用例和测试脚本
使用ChatGPT生成登录产品代码的测试用例和测试脚本
84 35
|
4月前
|
机器学习/深度学习 人工智能 监控
提升软件质量的关键路径:高效测试策略与实践在软件开发的宇宙中,每一行代码都如同星辰般璀璨,而将这些星辰编织成星系的过程,则依赖于严谨而高效的测试策略。本文将引领读者探索软件测试的奥秘,揭示如何通过精心设计的测试方案,不仅提升软件的性能与稳定性,还能加速产品上市的步伐,最终实现质量与效率的双重飞跃。
在软件工程的浩瀚星海中,测试不仅是发现缺陷的放大镜,更是保障软件质量的坚固防线。本文旨在探讨一种高效且创新的软件测试策略框架,它融合了传统方法的精髓与现代技术的突破,旨在为软件开发团队提供一套系统化、可执行性强的测试指引。我们将从测试规划的起点出发,沿着测试设计、执行、反馈再到持续优化的轨迹,逐步展开论述。每一步都强调实用性与前瞻性相结合,确保测试活动能够紧跟软件开发的步伐,及时适应变化,有效应对各种挑战。
|
27天前
|
JavaScript 前端开发 Java
使用ChatGPT生成关于登录产品代码的单元测试代码
使用ChatGPT生成关于登录产品代码的单元测试代码
42 16
|
3月前
|
搜索推荐 Python
利用Python内置函数实现的冒泡排序算法
在上述代码中,`bubble_sort` 函数接受一个列表 `arr` 作为输入。通过两层循环,外层循环控制排序的轮数,内层循环用于比较相邻的元素并进行交换。如果前一个元素大于后一个元素,就将它们交换位置。
155 67
|
2月前
|
算法 Java 测试技术
使用 BenchmarkDotNet 对 .NET 代码进行性能基准测试
使用 BenchmarkDotNet 对 .NET 代码进行性能基准测试
66 13
|
3月前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
99 1
|
6月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
272 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
6月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
162 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现

热门文章

最新文章