改进黏菌算法

最新推荐文章于 2024-10-14 09:08:48 发布
最新推荐文章于 2024-10-14 09:08:48 发布
阅读量215 收藏
点赞数
文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Liang_1_/article/details/129022515
版权

函数：F1
MSMA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SMA：最差值: 2.9962e-313, 最优值: 0, 平均值: 9.9873e-315, 标准差: 0, 秩和检验: 0.33371
EO：最差值: 4.833e-39, 最优值: 1.4041e-43, 平均值: 3.5862e-40, 标准差: 1.13e-39, 秩和检验: 1.2118e-12
HHO：最差值: 4.9855e-93, 最优值: 1.094e-110, 平均值: 1.6662e-94, 标准差: 9.1014e-94, 秩和检验: 1.2118e-12
GWO：最差值: 3.7727e-26, 最优值: 1.6503e-29, 平均值: 2.7418e-27, 标准差: 7.2694e-27, 秩和检验: 1.2118e-12
GSA：最差值: 7.0807e-16, 最优值: 8.0376e-17, 平均值: 2.7194e-16, 标准差: 1.5186e-16, 秩和检验: 1.2118e-12
MFO：最差值: 30000.4473, 最优值: 0.55787, 平均值: 3003.7352, 标准差: 6511.6869, 秩和检验: 1.2118e-12
MRFO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
MPA：最差值: 3.8133e-22, 最优值: 7.1971e-25, 平均值: 4.9706e-23, 标准差: 7.3317e-23, 秩和检验: 1.2118e-12
SSA：最差值: 5.045e-06, 最优值: 4.3171e-08, 平均值: 4.1574e-07, 标准差: 9.5105e-07, 秩和检验: 1.2118e-12
函数：F2
MSMA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SMA：最差值: 1.5472e-144, 最优值: 1.3668e-302, 平均值: 5.1574e-146, 标准差: 2.8248e-145, 秩和检验: 1.2118e-12
EO：最差值: 2.2361e-23, 最优值: 1.6575e-25, 平均值: 5.2337e-24, 标准差: 5.2147e-24, 秩和检验: 1.2118e-12
HHO：最差值: 8.7789e-48, 最优值: 6.9741e-59, 平均值: 2.9458e-49, 标准差: 1.6024e-48, 秩和检验: 1.2118e-12
GWO：最差值: 3.219e-16, 最优值: 1.6079e-17, 平均值: 1.1783e-16, 标准差: 9.3798e-17, 秩和检验: 1.2118e-12
GSA：最差值: 10.2201, 最优值: 5.6466e-08, 平均值: 0.77125, 标准差: 1.9745, 秩和检验: 1.2118e-12
MFO：最差值: 80.0034, 最优值: 0.19595, 平均值: 30.7785, 标准差: 20.9019, 秩和检验: 1.2118e-12
MRFO：最差值: 2.7477e-202, 最优值: 2.471e-219, 平均值: 1.7041e-203, 标准差: 0, 秩和检验: 1.2118e-12
MPA：最差值: 1.2378e-12, 最优值: 1.305e-14, 平均值: 3.2109e-13, 标准差: 3.1963e-13, 秩和检验: 1.2118e-12
SSA：最差值: 6.4248, 最优值: 0.029081, 平均值: 2.0131, 标准差: 1.807, 秩和检验: 1.2118e-12 
函数：F9
MSMA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SMA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
EO：最差值: 5.6843e-14, 最优值: 0, 平均值: 1.8948e-15, 标准差: 1.0378e-14, 秩和检验: 0.33371
HHO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
GWO：最差值: 16.2963, 最优值: 5.6843e-14, 平均值: 2.317, 标准差: 3.842, 秩和检验: 1.0574e-12
GSA：最差值: 83.5761, 最优值: 20.8941, 平均值: 39.0355, 标准差: 13.0609, 秩和检验: 1.2118e-12
MFO：最差值: 240.2111, 最优值: 95.6545, 平均值: 163.999, 标准差: 35.8893, 秩和检验: 1.2118e-12
MRFO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
MPA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SSA：最差值: 99.4956, 最优值: 33.8286, 平均值: 59.2, 标准差: 17.4863, 秩和检验: 1.2118e-12
函数：F10
MSMA：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
SMA：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
EO：最差值: 1.5099e-14, 最优值: 7.9936e-15, 平均值: 8.941e-15, 标准差: 2.4567e-15, 秩和检验: 8.6442e-14
HHO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
GWO：最差值: 1.2168e-13, 最优值: 7.5495e-14, 平均值: 1.0344e-13, 标准差: 1.2817e-14, 秩和检验: 1.1257e-12
GSA：最差值: 0.96589, 最优值: 8.0735e-09, 平均值: 0.06324, 标准差: 0.24071, 秩和检验: 1.2118e-12
MFO：最差值: 19.964, 最优值: 0.24526, 平均值: 14.8856, 标准差: 6.7611, 秩和检验: 1.2118e-12
MRFO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
MPA：最差值: 5.7492e-12, 最优值: 4.13e-13, 平均值: 1.7854e-12, 标准差: 1.2035e-12, 秩和检验: 1.2118e-12
SSA：最差值: 4.2114, 最优值: 8.5779e-05, 平均值: 2.5421, 标准差: 0.85413, 秩和检验: 1.2118e-12
函数：F19
MSMA：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 1.5976e-12, 秩和检验: 1
SMA：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 9.362e-07, 秩和检验: 3.0199e-11
EO：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.5391e-15, 秩和检验: 1.3369e-11
HHO：最差值: -3.0898, 最优值: -3.8628, 平均值: -3.8111, 标准差: 0.19608, 秩和检验: 3.0199e-11
GWO：最差值: -3.8549, 最优值: -3.8628, 平均值: -3.8613, 标准差: 0.0026435, 秩和检验: 3.0199e-11
GSA：最差值: -2.4904, 最优值: -3.7929, 平均值: -3.2089, 标准差: 0.39533, 秩和检验: 3.0199e-11
MFO：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.7101e-15, 秩和检验: 1.2118e-12
MRFO：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.6962e-15, 秩和检验: 1.7203e-12
MPA：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.4491e-15, 秩和检验: 1.3369e-11
SSA：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 1.0395e-11, 秩和检验: 0.55922
函数：F20
MSMA：最差值: -3.2031, 最优值: -3.322, 平均值: -3.2071, 标准差: 0.021707, 秩和检验: 1
SMA：最差值: -3.1981, 最优值: -3.322, 平均值: -3.2463, 标准差: 0.058535, 秩和检验: 0.053685
EO：最差值: -3.1376, 最优值: -3.322, 平均值: -3.274, 标准差: 0.065966, 秩和检验: 1.2963e-08
HHO：最差值: -3.1577, 最优值: -3.322, 平均值: -3.2829, 标准差: 0.061003, 秩和检验: 0.019112
GWO：最差值: -3.0874, 最优值: -3.322, 平均值: -3.274, 标准差: 0.079098, 秩和检验: 0.019112
GSA：最差值: -0.77782, 最优值: -2.7259, 平均值: -1.5338, 标准差: 0.49288, 秩和检验: 3.0199e-11
MFO：最差值: -2.8658, 最优值: -3.322, 平均值: -3.225, 标准差: 0.089242, 秩和检验: 2.2452e-05
MRFO：最差值: -3.2031, 最优值: -3.322, 平均值: -3.2744, 标准差: 0.059241, 秩和检验: 4.5796e-11
MPA：最差值: -3.322, 最优值: -3.322, 平均值: -3.322, 标准差: 6.8911e-12, 秩和检验: 3.0199e-11
SSA：最差值: -3.1773, 最优值: -3.322, 平均值: -3.2386, 标准差: 0.060196, 秩和检验: 0.027086

 

优化大师傅
关注
多策略融合的改进黏菌算法及其应用
罗伯特技术屋
04-05 107
针对黏菌算法存在自适应能力有限，抗停滞能力弱等不足，提出多策略融合的改进黏菌算法。采用Bernoulli混沌初始化，丰富种群多样性，提升算法优化精度和收敛速度；提出动态非线性递减策略，动态调节黏菌个体探索幅度，协调并优化算法全局搜索与局部开发能力；结合麻雀算法的预警机制与折射反向学习策略，优化黏菌个体分离觅食过程，防止前期优质个体流失以及后期种群多样性匮乏，提升算法整体抗停滞能力。通过对基准测试函数及部分CEC2017测试函数进行寻优对比实验，测试结果表明改进算法具有更好的寻优精度、稳定性。
改进交叉算子的自适应人工蜂群黏菌算法ISMA(学习笔记_09)
一只小白的博客~
01-26 2061
多策略改进黏菌优化算法 1.自适应可调节反馈因子 2. 算数交叉算子 3. 改进的人工蜂群搜索策略
一种改进的黏菌优化算法
心升明月的博客
03-08 4000
文章目录一、理论基础1、黏菌算法2、改进的黏菌算法2.1 基于混沌反向的学习策略2.2 自适应策略2.2.1 新的非线性递减策略2.2.2 线性递减选择范围2.3 螺旋搜索策略2.4 MSMA算法伪代码二、仿真实验与结果分析三、参考文献 一、理论基础 1、黏菌算法 请参考这里。 2、改进的黏菌算法 为了克服基本SMA的缺点，本文提出了三种改进策略来提高其性能，分别是：采用基于混沌反向的学习策略增强种群多样性；采用自适应策略平衡算法的开发和探索能力；为了防止算法陷入局部最优，采用了螺旋搜索策略。下面详细介绍三
改进交叉算子的自适应人工蜂群黏菌算法
心升明月的博客
11-16 1452
针对黏菌算法存在的收敛速度慢，易陷入局部最小值的问题，提出了一种改进交叉算子的自适应人工蜂群黏菌算法(ISMA)。为了提高算法收敛速度，引入自适应可调节的反馈因子和改进的交叉算子；考虑到人工蜂群算法强大的搜索能力，引入改进的人工蜂群搜索策略，提高算法跳出局部最小值的能力。利用 8 个标准测试函数以及部分CEC2014测试函数对改进算法进行寻优性能测试，并加入基准测试函数的 Wilcoxon秩和统计检测，仿真结果表明，改进的算法具有很好的鲁棒性。
黏菌优化算法SMA与算术优化算法AOA及其联合改进
m0_61363749的博客
02-08 2001
0、简介 黏菌优化算法(Smile Mould Algorithm, SMA)和算术优化算法(Arithmetic Optimization Algorithm,AOA)是最近提出的新型元启发式优化算法。SMA 算法具有较强的全局探索能力，但迭代后期振荡作用较弱，易陷入局部最优，且收缩机制不强，导致收敛速度慢。AOA 算法利用乘除算子进行位置更新，随机性强，具有较好的避免早熟收敛能力。针对上述问题，文章《融合随机反向学习策略的黏菌与算术混合优化算法》将两种算法结合并利用随机反向学习策略提高收敛速度..
智能优化算法：黏菌优化算法 - 附代码
热门推荐
Jack旭的博客
02-06 1万+
智能优化算法：黏菌优化算法 文章目录智能优化算法：黏菌优化算法1.算法原理2.实验结果3.参考文献4.Matlab代码5.python代码 摘要：黏菌优化算法（Slime mould algorithm，SMA）由 Li等于 2020 年提出，其灵感来自于黏菌的扩散和觅食行为，属于元启发算法。具有收敛速度快，寻优能力强的特点。 1.算法原理 该算法主要模拟了黏菌在觅食过程中的行为和形态变化，而未对其完整生命周期进行建模。通过权值指标模拟黏菌静脉状管的形态变化和收缩模式之间的三种相关性。 黏菌觅食过程，首先根
黏菌算法（Slime Mould Algorithm，SMA）
weixin_46838605的博客
10-15 1万+
这是一篇关于黏菌算法的总结博客，包含算法思想，算法步骤，求函数最值（Python实现），算法改进等，持续更新ing
【WSN覆盖优化】基于改进黏菌算法的无线传感器网络覆盖 WSN覆盖优化【matlab代码】
03-13
将黏菌算法SMA用于WSN覆盖优化问题，针对黏菌算法在无线传感器网络覆盖上存在的不足， 我们提出了一种改进的黏菌算法，引入了两个策略： - 改进1：改进参数p，平衡局部搜索能力和全局搜索能力 - 改进2：混沌精英突变...
【黏菌优化算法】精英反向与二次插值改进的黏菌算法(ISMA)求解单目标优化问题含Matlab源码.zip
04-01
在这个特定的案例中，我们讨论的是精英反向与二次插值改进的黏菌算法（Improved Swarm Mucilaginous Algorithm, ISMA），特别针对单目标优化问题。 ISMA 是 MFA 的一种增强版本，它引入了两个关键改进：精英策略和...
精英反向二次插值改进黏菌算法(ISMA)在Matlab中的应用
资源摘要信息:"【黏菌优化算法】精英反向与二次插值改进的黏菌算法(ISMA)求解单目标优化问题含Matlab源码.zip" 在计算机科学与工程技术领域，优化算法是解决各种资源分配、设计问题的重要工具，尤其在工程设计、...
改进的黏菌算法的简单应用
m0_52681149的博客
04-16 1100
随着现在计算机技术的快速发展，新兴的智能优化算法被广泛地使用在各行各业。黏菌优化算法（Slime Mould Optimization Algorithm，SMA）是一种受自然界中黏菌行为启发而设计的群智能优化算法。黏菌是一种在自然界中广泛存在的生物，它们在寻找食物源时表现出高效的网络构建能力。黏菌优化算法模拟了黏菌的这一行为，用于解决优化问题。：在这个阶段，黏菌会随机扩散并探索环境，类似于优化算法中的随机搜索。
群体智能算法-黏菌寻找食物最优路线行为模拟
月牙寂
03-20 8998
昨天看了一个视频（http://www.tudou.com/programs/view/4QmfLMMBZBg） 讲的就是黏菌 寻找食物时候会构造一个强大的网络。   如下图         通过对黏菌行为的观察。我想通过一个分布式的群体算法来模拟黏菌的行为，来实现最优路径的寻找。 目前实现了简单的行为模拟。 主要有两个方面 1、黏菌的扩张行为。  首先定义了一个生命力值来...
介绍一种新的群智能算法---黏菌算法
reliability2324的博客
11-25 8338
一种新的群智能算法—黏菌算法 介绍一种新的群智能算法—黏菌算法 近些年群智能算法由于其效率较高，使用方便的优点引起了广大科研者的关注与兴趣。最近看文献，温州大学的李世民（现在去复旦读研究生了）提出了一种新的群智能优化算法----黏菌算法（Slime mould algorithm）[1]。在此，我在这介绍下主要的内容并附上代码 Approach food To model the approaching behavior of slime mould as a mathematical equation
二叉树系列 10/11
2301_78191305的博客
10-11 440
在这些路径中，只有红色和绿色的路径是伪回文路径，因为红色路径 [2,3,3] 存在回文排列 [3,2,3] ，绿色路径 [2,1,1] 存在回文排列 [1,2,1]。总共有 3 条从根到叶子的路径：红色路径 [2,3,3] ，绿色路径 [2,1,1] 和路径 [2,3,1]。（如果 A 的任何子节点之一为 B，或者 A 的任何子节点是 B 的祖先，那么我们认为 A 是 B 的祖先）（一个节点的祖父节点是指该节点的父节点的父节点。」的，当它满足：路径经过的所有节点值的排列中，存在一个回文序列。
在顺序结构和链式结构的线性表上实现顺序检索算法
m0_56332819的博客
10-13 284
在顺序结构和链式结构的线性表上实现顺序检索算法，C语言
力扣10.13
qq_40052678的博客
10-13 423
如果鸡蛋碎了，你就不能再次使用它。如果某枚鸡蛋扔下后没有摔碎，则可以在之后的操作中 重复使用 这枚鸡蛋。每次操作，你可以取一枚 没有碎 的鸡蛋并把它从任一楼层。，以此类推，因此只需要判断最后的层数是否超过建筑高即可。楼层或比它低 的楼层落下的鸡蛋都 不会碎。函数传入操作次数k，可以发现，最优情况一定先在。确切的值 的 最小操作次数 是多少？的楼层落下的鸡蛋都 会碎 ，从。枚相同 的鸡蛋，和一栋从第。请你计算并返回要确定。
Python 使用 Jarvis 算法或包装的凸包（Convex Hull using Jarvis’ Algorithm or Wrapping）
最新发布
csdn_aspnet的专栏
10-14 1188
例如，当输入 (0, 3), (0, 0), (0, 1), (3, 0), (3, 3) 时，它产生 (0, 3) (0, 0) (3, 0) (3, 3) 的输出；当输入 (0, 3), (0, 1), (0, 0), (3, 0), (3, 3) 时，输出为 (0, 3) (0, 1) (0, 0) (3, 0) (3, 3)。下一个点被选为在逆时针方向上领先于所有其他点的点，即，如果对于任何其他点 r，我们有“orientation(p, q, r) = 逆时针”，则下一个点是 q。
【三】【算法】P1007 独木桥,P1012 [NOIP1998 提高组] 拼数,P1019 [NOIP2000 提高组] 单词接龙
m0_74163972的博客
10-11 1142
你希望找些刺激，于是命令你的士兵们到前方的一座独木桥上欣赏风景，而你留在桥下欣赏士兵们。另外，总部也在安排阻拦敌人的进攻，因此你还需要知道你的部队最多需要多少时间才能全部撤离独木桥。单词接龙是一个与我们经常玩的成语接龙相类似的游戏，现在我们已知一组单词，且给定一个开头的字母，要求出以这个字母开头的最长的“龙”（每个单词都最多在“龙”中出现两次），在两个单词相连时，其重合部分合为一部分，例如。突然，你收到从指挥部发来的信息，敌军的轰炸机正朝着你所在的独木桥飞来！的数据，满足初始时，没有两个士兵同在一个坐标，
设计算法int IsExistEL(MGraph G)，判断G是否存在EL路径，若存在，则返回1 ，否则返回0。
m0_56332819的博客
10-11 255
设计算法int IsExistEL(MGraph G)，判断G是否存在EL路径，若存在，则返回1 ，否则返回0。C语言
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

优化大师傅

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值