改进简单介绍
Abdollahzadeh等人提出的人工大猩猩部队优化器(Artificial gorilla troops optimizer,GTO)主要灵感来自自然界大猩猩群体社会智能行为的启发。在这个算法中,大猩猩的集体生活被数学化,并设计了新的机制来进行探索和开发。该成果于2021年发表在二区top期刊“INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS”上面,期刊影响因子:7。该论文比较受欢迎,从发表至今在web of science中已被引用396次。想要尝试投该期刊的朋友可以考虑试试!
文献来源:Artificial gorilla troops optimizer: A new nature-inspired metaheuristic algorithm for global optimization problems
DOI:10.1002/int.22535
NFL定理证明,没有哪一个算法在所有优化问题上面都表现优异,因此这便是对GTO进行改进创作的根本动机,也是大家能够一直不断改进创作群智能的重要原因!
代码里面将改进点加上了中文注释。方便读者书写并学习创新点!
将多策略改进的人工大猩猩部队优化器(IGTO)和其他9种竞争算法在CEC2017测试集(10、30、50、100)的4种不同维度上面进行仿真实验,通常写sci论文时就放3种不同维度即可,常用的是(30、50、100)维。竞争对比算法包括:经典算法(WOA、MFO、DBO、GJO)、2024年新兴算法(CPO、GOOSE、NRBO),其中牛顿-拉夫逊优化器(Newton-Raphson-based optimizer,NRBO)为sci二区top算法。鹅算法(GOOSE algorithm,GOOSE)是sci四区算法。冠豪猪优化器(Crested Porcupine Optimizer,CPO)是sci一区top算法。
程序可读性很高,带有中文注释,代码一键运行“main_30”出所有实验结果,里面收敛曲线和箱线图都是代码自动保存的高质量图片,数据都是算法统一运行30次后计算得到的相应评价指标,包括Friedman检验、P值秩和检验、平均值(Ave)和标准差(Std)。这些同样也是sci论文里面常用的实验手段和评价指标。
下面是IGTO和其他9种竞争算法在CEC2017测试集(10、30、50、100)上的实验结果:
10维:
F30
收敛曲线
箱线图
均值和标准差数据处理:只有每一行最小的值会被加粗。由于屏幕太小无法全部展示30个测试函数结果,不过我们提出的IGTO是加粗最多的,表明IGTO的寻优值更加精确!
P值秩和检验实验结果:当P<0.05时表明竞争算法与IGTO存在显著性差异。由实验结果很容易看出所有竞争算法与IGTO基本大多数都存在显著性差异,表明提出的IGTO性能与竞争算法存在差异!
Friedman检验实验结果:显而易见,IGTO排名第一!
30维:
F22
收敛曲线
箱线图
均值和标准差数据处理:只有每一行最小的值会被加粗。由于屏幕太小无法全部展示30个测试函数结果,不过我们提出的IGTO是加粗最多的,表明IGTO的寻优值更加精确!
P值秩和检验实验结果:当P<0.05时表明竞争算法与IGTO存在显著性差异。由实验结果很容易看出所有竞争算法与IGTO基本大多数都存在显著性差异,表明提出的IGTO性能与竞争算法存在差异!
Friedman检验实验结果:显而易见,IGTO排名第一!
50维:
F22
收敛曲线
箱线图
均值和标准差数据处理:只有每一行最小的值会被加粗。由于屏幕太小无法全部展示30个测试函数结果,不过我们提出的IGTO是加粗最多的,表明IGTO的寻优值更加精确!
P值秩和检验实验结果:当P<0.05时表明竞争算法与IGTO存在显著性差异。由实验结果很容易看出所有竞争算法与IGTO基本大多数都存在显著性差异,表明提出的IGTO性能与竞争算法存在差异!
Friedman检验实验结果:显而易见,IGTO排名第一!
100维:
F1
收敛曲线
箱线图
均值和标准差数据处理:只有每一行最小的值会被加粗。由于屏幕太小无法全部展示30个测试函数结果,不过我们提出的IGTO是加粗最多的,表明IGTO的寻优值更加精确!
P值秩和检验实验结果:当P<0.05时表明竞争算法与IGTO存在显著性差异。由实验结果很容易看出所有竞争算法与IGTO基本大多数都存在显著性差异,表明提出的IGTO性能与竞争算法存在差异!
Friedman检验实验结果:显而易见,IGTO排名第一!
所有文件如下,可以看见管理很规范,每个都是独立的.m文件,不会乱七八糟: