✅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👇
⛄ 内容介绍
近年来，在工程和科学领域引入了几种元启发式算法来解决现实生活中的优化问题。在这项研究中，提出了一种新的受自然启发的元启发式算法，称为蛇优化器 (SO)，以解决模仿蛇特殊交配行为的各种优化任务。如果存在的食物量足够且温度低，每条蛇（雄性/雌性）都会争夺最佳伴侣。这项研究在数学上模拟和模拟了觅食和繁殖行为和模式，以提出一种简单有效的优化算法。为了验证所提出方法的有效性和优越性，SO 在 29 个无约束的进化计算大会 (CEC) 2017 基准函数和四个受约束的现实世界工程问题上进行了测试。将 SO 与其他 9 种著名的和新开发的算法进行比较，例如线性种群大小减少-差分进化的成功历史适应 (L-SHADE)、与 L-SHADE 结合的集成正弦曲线 (LSHADE-EpSin)、协方差矩阵适应进化策略 (CMAES)、土狼优化算法 (COA)、蛾火焰优化、哈里斯鹰优化器、热交换优化、蚱蜢优化算法和鲸鱼优化算法。实验结果和统计比较证明了 SO 在不同景观上的勘探开发平衡和收敛曲线速度的有效性和效率。
⛄ 部分代码
%_______________________________________________________________________________%
our cost in a seperate file and load its handle to fobj
% The initial parameters that you need are:
%__________________________________________________
% fobj = @YourCostFunction
% dim = number of your variables
% Max_iteration = maximum number of generations
% SearchAgents_no = number of search agents
% lb=[lb1;lb2;...;lbn] where lbn is the lower bound of variable n
% ub=[ub1;ub2;...;ubn] where ubn is the upper bound of variable n
% If all the variables have equal lower bound you can just
% define lb and ub as two single number numbers
% To run ESO: [Xfood, fval,Convergence_curve,Trajectories,fitness_history, position_history]=ESO(N,T,lb,ub,dim,fobj);
%__________________________________________________
clear all
clc
close all
N=30; % Number of search agents
Function_name='F4'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper)
T=200; % Maximum numbef of iterations
Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[Xfood, fval,Convergence_curve,Trajectories,fitness_history, position_history]=ESO(N,T,lb,ub,dim,fobj); %¿ªÊ¼ÓÅ»¯
[Best_pos,Best_score,SO_curve]=SO(N,T,lb,ub,dim,fobj);
figure('Position',[39 479 1727 267])
color1 = [205 205 0];
color2 = [139 101 8];
color3 = [205 155 155];
color4 = [238 121 66];
%Draw search space
subplot(1,5,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
box on
axis tight
subplot(1,5,2);
semilogy(Convergence_curve,'Color','r','linewidth',1.5)
hold on
semilogy(SO_curve,'Color','b','linewidth',1.5)
title('Convergence curve')
xlabel('Iteration#');
ylabel('Best score obtained so far');
box on
legend('ESO','SO')
axis tight
subplot(1,5,3);
hold on
semilogy(Trajectories(1,:),'Color',color4/255,'linewidth',1.5);
title('Trajectory ')
xlabel('Iteration#')
box on
axis tight
subplot(1,5,4);
hold on
a=mean(fitness_history);
semilogy(a,'Color',color2/255,'linewidth',1.5);
title('Average Fitness ')
xlabel('Iteration#')
box on
axis tight
subplot(1,5,5);
hold on
for k1 = 1: size(position_history,1)
for k2 = 1: size(position_history,2)
plot(position_history(k1,k2,1),position_history(k1,k2,2),'.','markersize',1,'MarkerEdgeColor','k','markerfacecolor','k');
end
end
plot(Xfood(1),Xfood(2),'.','markersize',10,'MarkerEdgeColor','r','markerfacecolor','r','linewidth',2);
title('Search history (x1 and x2 only)')
xlabel('x1')
ylabel('x2')
box on
axis tight
%
subplot(1,5,5);
hold on
func_plot1(Function_name)
