改进2024年新出鹦鹉优化算法|一种多策略改进的鹦鹉优化算法IPO，效果不错！ 策略：cat映射反向策略+自适应权重+混合柯西和高斯变异

一种多策略改进的鹦鹉优化算法IPO|效果不错！
策略：cat映射反向策略+自适应权重+混合柯西和高斯变异

一、基本原理

改进策略：

⭐改进1：基于cat映射 + 反向策略的种群初始化

⭐⭐改进2：自适应权重变换

⭐⭐⭐改进3：混合柯西和高斯变异

二、实验结果

实验参数：

种群30

迭代次数300

实验次数5

实验结果：

三、核心代码

代码用MSPO代替

%%  参数设置
SearchAgents = 30;                        % population members 
Max_iterations = 200;                    % maximum number of iteration
number = 'F17';                            % 选定优化函数，自行替换:F1~F23   
[lb,ub,dim,fobj] = Get_Functions_details(number); % [lb,ub,dim,fobj]：下界、上界、维度、目标函数表达式

%% 循环实验
for i = 1:1
disp(['这是第：', num2str(i),'迭代'])
%% MSPO
[MSPO_Best_score,MSPO_Best_pos,MSPO_cg_curve]=MSPO(SearchAgents,Max_iterations,lb,ub,dim,fobj); 
MSPO_fitness(i) = MSPO_Best_score;
%% PO
[PO_Best_score,PO_Best_pos,PO_cg_curve]=PO(SearchAgents,Max_iterations,lb,ub,dim,fobj);
PO_fitness(i)= PO_Best_score;
end

%% 算法的最佳适应度值
% MSPO
MSPO_min_value = min(MSPO_fitness);MSPO_max_value = max(MSPO_fitness);MSPO_mean_value = mean(MSPO_fitness);MSPO_std_value = std(MSPO_fitness);
MSPO_result = [MSPO_mean_value,MSPO_min_value,MSPO_std_value];
disp('---------------------------MSPO--------------------------------')
disp(['MSPO平均值：', num2str(MSPO_mean_value)])
disp(['MSPO最优值：', num2str(MSPO_min_value)])
disp(['MSPO标准差：', num2str(MSPO_std_value)])

% PO
PO_min_value = min(PO_fitness);PO_max_value = max(PO_fitness);PO_mean_value = mean(PO_fitness);PO_std_value = std(PO_fitness);
PO_result =  [PO_mean_value,PO_min_value,PO_std_value];
disp('---------------------------PO--------------------------------')
disp(['PO平均值：', num2str(PO_mean_value)])
disp(['PO最优值：', num2str(PO_min_value)])
disp(['PO标准差：', num2str(PO_std_value)])

四、代码获取

五、总结

包括但不限于
优化BP神经网络，深度神经网络DNN，极限学习机ELM，鲁棒极限学习机RELM，核极限学习机KELM，混合核极限学习机HKELM，支持向量机SVR，相关向量机RVM，最小二乘回归PLS，最小二乘支持向量机LSSVM，LightGBM，Xgboost，RBF径向基神经网络，概率神经网络PNN，GRNN，Elman，随机森林RF，卷积神经网络CNN，长短期记忆网络LSTM，BiLSTM，GRU，BiGRU，TCN，BiTCN，CNN-LSTM，TCN-LSTM，BiTCN-BiGRU，LSTM–Attention，VMD–LSTM，PCA–BP等等

用于数据的分类，时序，回归预测。
多特征输入，单输出，多输出