独家发布！ 10个2024年新算法跑10个测试集！

最新推荐文章于 2024-04-13 12:56:19 发布

树洞优码

最新推荐文章于 2024-04-13 12:56:19 发布

阅读量1k

点赞数 28

文章标签：算法 matlab 智能优化算法代码复现算法改进定制

本文链接：https://blog.csdn.net/2301_82017165/article/details/136943200

版权

前言：独家发布！ 10个2024年新算法跑10个测试集！每个算法都是独立.m文件，高效管理，所有结果均可一键运行自动保存，可用于算法对比、学习、改进等等，趁现在知道的人少，先用先发，可定制改进算法和各种应用。

一、10个2024年新算法介绍

1.苦鱼优化算法（Bitterling Fish Optimization，BFO)

摘要：苦鱼是自然界中为了生存而表现出智能行为的典型例子。苦鱼用牡蛎产卵的策略作为它们的保姆。雌苦鱼会寻找比其他鱼更强壮的雄鱼来寻找合适的伴侣。为了解决寻优问题，基于苦鱼的交配行为，建立了苦鱼寻优(BFO)算法。通过在多个基准函数上的实验和实现，与灰狼优化算法、鲸鱼优化算法、蝴蝶优化算法、哈里斯鹰优化算法和黑寡妇优化算法相比，苦鱼优化算法的寻优精度更高。元启发式技术在数据挖掘和机器学习两个领域的应用非常广泛。在实验中，使用MLP人工神经网络和BFO算法的二进制版本来降低对入侵流量的检测误差。在NSL KDD数据集上进行实验，所提方法对网络入侵检测的准确率、精确率和敏感性指标分别达到99.14%、98.87%和98.85%。与NNIA、DT、RF、XGBoot、CNN等机器学习方法相比，该方法检测入侵的准确率更高。在UNSW-NB15数据集上使用BFO算法进行特征选择，实验结果表明，该方法在该数据集上的准确率达到96.72%。将BFO算法提出的方法用于改进Kmeans聚类，在covid 19、糖尿病和肾脏疾病数据集上的测试表明，所提方法的性能优于iECA*、ECA*、GENCLUST + + (g++)方法。

参考文献：Bitterling fish optimization (BFO) algorithm

Doi:10.1007/s11042-024-18579-0

2.冠豪猪优化器（Crested Porcupine Optimizer, CPO)

摘要：受冠豪猪(crest Porcupine, CP)的各种防御行为启发，提出了一种新的基于自然启发的元启发式算法——冠豪猪优化算法(Crested Porcupine Optimizer, CPO)，用于精确优化各种优化问题，特别是大规模优化问题。从最不具攻击性到最具攻击性，冠豪猪有四种不同的保护机制：视觉、声音、气味和身体攻击。第一和第二防御技术（视觉和声音）反映了CPO的探索性行为，第三和第四防御策略（气味和物理攻击）反映了CPO的利用性行为。该算法提出了一种新的策略，称为循环种群减少技术，以模拟不是所有CPs都激活防御机制，而是只有受到威胁的CPs才激活防御机制。该策略提高了收敛速度和种群多样性。使用CEC2014、CEC2017和CEC2020 3个CEC基准测试函数对CPO进行验证，并将其结果与3类现有优化算法进行比较，结果如下:(i)被引用率最高的优化算法，包括灰狼优化算法(GWO)、鲸鱼优化算法(WOA)、差分进化算法(differential evolution)和樽海鞘算法(SSA);(ii)最近发表的算法，包括基于梯度的优化器(GBO)，非洲秃鹫优化算法(AVOA)， Runge Kutta方法(RUN)，平衡优化器(EO)，人工大猩猩部队优化器(GTO)和黏液霉菌算法(SMA);(iii)高性能优化器，如SHADE、LSHADE、al SHADE、LSHADE- cnepsin和LSHADE- spacma。统计分析结果表明，在3个CEC测试函数上，与其他优化算法相比，CPO算法在大多数测试函数上具有明显的优势，可以被提名为一种高性能的优化算法。定量分析表明，对于CEC2017、CEC2017、CEC2020和6个实际工程问题，CPO的性能提升率分别高达83%、70%、90%和100%。

参考文献：Crested Porcupine Optimizer: A new nature-inspired metaheuristic

Doi:10.1016/j.knosys.2023.111257

3.美洲狮优化器（Puma optimizer，Puma）

摘要：优化技术，特别是元启发式算法，在优化和提高不同模型和系统的效率方面非常有效，以能够在合理的时间框架内获得最优或接近最优的解决方案而闻名。本文提出了一种新的优化算法——美洲狮优化器。该算法在探索和开发的每个阶段都提出了独特而强大的机制，提高了算法对各种优化问题的性能。此外，还提出了一种新型的智能机制，即相变超启发式机制。利用该机制，该算法可以在优化运行过程中进行阶段转换操作，从而平衡两个阶段的优劣。每个阶段都会自动调整以适应问题的性质。为评估所提算法，使用23个标准函数和CEC2019函数，并与不同类型的优化算法进行比较。此外，还讨论了采用统计检验t检验来解决该问题的执行时间。最后，用4个机器学习和数据挖掘问题对算法进行了测试，结果表明，与其他优化算法相比，该算法在各种问题上都具有较好的性能。该算法在33个基准测试中有27个测试结果优于对比算法，在10个数据集中有7个数据集的聚类结果优于对比算法。此外，在社区发现和特征选择问题以及MLP问题上得到的结果也更优。

参考文献：Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning

Doi:10.1007/s10586-023-04221-5

4.鹅算法（GOOSE algorithm，GOOSE）

摘要：基于GOOSE在休息和觅食过程中的行为特征，提出了一种新的元启发式算法—GOOSE算法。母鹅单腿站立，保持平衡，以保护和保护鸟群中的其他个体。将GOOSE算法与遗传算法(GA)、粒子群算法(PSO)、dragonfy算法(DA)、FDO算法(FDO)在19个著名的基准测试函数上进行对比研究。此外，将所提算法在10个现代基准函数上进行测试，并将所得结果与dragonfy算法、鲸鱼优化算法(WOA)、樽海鞘群算法(SSA)等3种最新算法进行对比。将GOOSE算法在5个经典基准函数上进行测试，并与FDO、FOX、butterfy优化算法(BOA)、whale优化算法、dragonfy算法、chimp优化算法(ChOA)等6种算法进行对比。实验结果表明，与其他算法相比，所提算法具有更好的性能。该技术随后被用于优化焊接梁设计和经济负载分配问题，压力容器设计问题，以及神经系统中的病态IgG分数，四个著名的现实挑战。工程案例研究的结果表明，所建议的方法可以很好地优化现实世界中出现的问题。

参考文献：GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond

Doi:10.1007/s12530-023-09553-6

5.人类进化优化算法（Human Evolutionary Optimization Algorithm ，HEOA）

摘要：人类进化优化算法(HEOA)是一种受人类进化启发的元启发式算法。HEOA将全球搜索过程分为两个不同的阶段：人类探索和人类发展。初始化采用Logistic混沌映射。在人类探索阶段，进行初始的全局搜索，然后是人类发展阶段，在这个阶段，人口被分类为领导者、探索者、追随者和失败者，每个人都使用不同的搜索策略。利用23个完善的测试函数对HEOA的收敛速度和搜索精度进行了评价。并结合四个工程问题，对该算法在工程优化中的适用性进行了评价。与其他十种算法的比较分析突出了HEOA的有效性，各种性能指标和统计指标都证明了这一点。结果一致地表明，HEOA在近似复杂全局优化问题的最优解方面优于目前最先进的算法。

参考文献：Human Evolutionary Optimization Algorithm

Doi:10.1016/j.eswa.2023.122638

6.角蜥优化算法（Horned Lizard Optimization Algorithm，HLOA）

摘要：本文介绍了一种新的元启发式优化算法HLOA，该算法在数学上模拟了隐密，皮肤变黑或变亮，血液喷射和移动-逃跑防御方法。在隐蔽行为中，蜥蜴通过变成半透明来改变自己的颜色，以避免被捕食者发现。角蜥的皮肤可以变亮或变暗，这取决于它是否需要减少或增加太阳热量的吸收。皮肤变黑或变亮的策略是通过包括刺激激素黑色素细胞率(-MHS)来影响这些皮肤颜色的变化。此外，移动到逃避策略也被数学描述。角蜥的射血防御机制，被描述为抛射运动，也被建模。这些策略平衡了解决方案空间上局部和全局搜索的开发和探索机制。通过文献中的63个优化问题，IEEE CEC-2017“约束实参数优化”中提供的测试台问题，以及IEEE CEC-06 2019“100位挑战”中的测试台函数，对HLOA性能进行了基准测试。此外，还研究了IEEE CEC2020中约束优化的三个实际应用，以及多重重力辅助优化和最优潮流问题这两个工程问题。Wilcoxon和Friedman统计测试将HLOA算法的结果与最近的十种生物启发算法进行了比较。Wilcoxon表明，HLOA比竞争算法更有效地为大多数测试台架函数提供了最优解。同时，在Friedman统计检验中，HLOA排名第一，n维分析表明，它在50维和100维的约束优化问题上表现更好。

参考文献：A novel metaheuristic inspired by horned lizard defense tactics

Doi:10.1007/s10462-023-10653-7

7.河马优化算法（Hippopotamus optimization algorithm，HO）

摘要：本文的新颖之处在于引入了一种新的随机技术——河马优化算法。HO是通过从河马观察到的固有行为中汲取灵感而构思的，展示了一种创新的元启发式方法。HO在概念上是用一个三相模型来定义的，该模型结合了它们在河流或池塘中的位置更新、对捕食者的防御策略和逃避方法，这些都是数学公式。在161个基准函数中，它在寻找最优值方面获得了115个最高排名，包括单峰和高维多峰函数，固定维多峰函数，以及CEC 2019测试套件和CEC 2014测试套件的10、30、50和100维度以及Zigzag模式基准函数，这表明HO在开发和探索方面都表现出了显著的熟练程度。此外，它有效地平衡了探索和利用，支持搜索过程。根据解决四个不同的工程设计挑战的结果，HO有效地实现了最有效的解决方案，同时坚持遵守指定的约束条件。HO算法的性能评估包括多个方面，包括与WOA、GWO、SSA、PSO、SCA、FA、GOA、TLBO、MFO和IWO的比较，这些被认为是研究最广泛的元启发式算法，AOA是最近开发的算法，CMA-ES是在IEEE CEC竞赛中获得成功的高性能优化器。根据统计事后分析，HO算法明显优于所研究的算法。

参考文献：Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm

Doi:10.1038/s41598-024-54910-3

8.爱情进化算法（Love Evolution Algorithm，LEA）

摘要：爱情进化算法(LEA)是一种受刺激-价值-角色理论启发的新型进化算法。LEA的优化过程包括刺激、价值和作用三个阶段。双方都经历了这些阶段，并从中受益，无论关系的结果如何。这一启示被抽象为全局优化的数学模型。通过CEC2017基准函数的数值实验验证了LEA的效率，并通过Wilcoxon符号秩检验和Friedman检验证明其优于7种元启发式算法。使用CEC2022基准函数的进一步测试证实了LEA与七个最先进的元启发式方法相比的竞争力。最后，将研究扩展到现实问题，展示了LEA在八个不同工程问题中的性能。

参考文献：Love Evolution Algorithm: a stimulus–value–role theory-inspired evolutionary algorithm for global optimization

Doi:10.1007/s11227-024-05905-4

9.鹦鹉优化器（Parrot Optimizer, PO)

摘要：随机优化方法作为一种有效的技术在当代研究中得到了显著的突出，有效地解决了复杂的优化挑战。本文介绍了鹦鹉优化器(Parrot Optimizer, PO)，这是一种基于训练后鹦鹉关键行为的高效优化方法。本研究以定性分析和综合实验为特色，展示了Parrot Optimizer在处理各种优化问题时的鲜明特点。性能评估包括对提议的PO在35个功能上进行基准测试，包括IEEE CEC 2022测试集的经典案例和问题，并将其与八种流行的算法进行比较。研究结果生动地突出了PO在探索性和开发性方面的竞争优势。此外，通过参数灵敏度实验探讨了所提出的PO在不同构型下的适应性。应用于工程设计问题，证明了该方法的有效性和优越性。为了进一步将评估扩展到现实世界的应用，我们将PO在疾病诊断和医学图像分割问题中的应用纳入其中，这些问题在医学领域中具有高度相关性和重要意义。总之，研究结果证明，PO是一种有前途和竞争力的算法，超越了文献中的一些现有算法。

参考文献:Parrot optimizer: Algorithm and applications to medical problems

Doi:10.1016/j.compbiomed.2024.108064

10.牛顿-拉斐尔优化器（Newton-Raphson-based optimizer, NRBO)

摘要：本文提出并发展了一种新的元启发式算法——基于牛顿-拉斐尔的优化器(NRBO)。NRBO受到Newton-Raphson方法的启发，它使用两个规则来探索整个搜索过程:Newton-Raphson搜索规则(NRSR)和陷阱避免算子(TAO)，并使用几组矩阵来进一步探索最佳结果。NRSR采用Newton-Raphson方法来提高NRBO的搜索能力，提高收敛速度以达到改进的搜索空间位置。TAO帮助NRBO避免局部最优陷阱。使用64个基准数值函数对NRBO的性能进行了评估，其中包括23个标准基准，29个CEC2017约束基准和12个CEC2022基准。此外，利用NRBO对12个CEC2020现实约束工程优化问题进行了优化。结果表明，该算法具有较高的勘探开发平衡性、较高的收敛速度和有效避免局部最优的能力，具有较好的优化效果。此外，NRBO还在具有挑战性的无线通信问题（称为车联网问题）中进行了验证，并且NRBO能够找到数据传输的最佳路径。同时，考虑山地车问题，研究了NRBO在训练深度强化学习智能体中的性能。所得结果也证明了NRBO在处理具有挑战性的实际工程问题方面的优异性能。

参考文献：Newton-Raphson-based optimizer: A new population-based metaheuristic algorithm for continuous optimization problems

Doi:10.1016/j.engappai.2023.107532

二、10个2024算法跑CEC2005/23个经典测试函数

10个2024年的新算法跑CEC2005测试集并且输出评价指标，CEC2005是最经典的测试集，包括23个经典基准测试函数。

点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

三、10个2024算法跑CEC2013测试集

10个2024年的新算法跑CEC2013测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

四、10个2024算法跑CEC2014测试集

10个2024年的新算法跑CEC2014测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

五、10个2024算法跑CEC2015测试集

10个2024年的新算法跑CEC2015测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

六、10个2024算法跑CEC2017测试集

10个2024年的新算法跑CEC2017测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

七、10个2024算法跑CEC2018测试集

10个2024年的新算法跑CEC2018测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发

实验结果如下

部分函数收敛曲线：

行数据结果如下：

八、10个2024算法跑CEC2019测试集

10个2024年的新算法跑CEC2019测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

九、10个2024算法跑CEC2020测试集

10个2024年的新算法跑CEC2020测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。

实验结果如下

部分函数收敛曲:

运行数据结果如下：

十、10个2024算法跑CEC2021测试集

10个2024年的新算法跑CEC2021测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发

实验结果如下

部分函数收敛曲线：

运行数据结果如下：

十一、10个2024算法跑CEC2022测试集

10个2024年的新算法跑CEC2022测试集并且输出评价指标。点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。