声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~
目录
教育竞争优化算法(Educational Competition Optimizer, ECO)是一种新型的智能优化算法，灵感来自现实世界教育资源分配场景。这次算法测评中包括了搜索历史图、平均收敛图等四张图！需要的小伙伴可直接拉到最后自取！该成果由Junbo Lian等人于2024年7月发表在SCI期刊《International Journal of Systems Science》上！
由于发表时间较短，谷歌学术上还没人引用！你先用，你就是创新！
原理简介
随着教育水平的提高，教育竞争的激烈程度也相应增加。ECO算法旨在模拟教育竞争的动态，捕捉不同阶段(小学阶段、初中阶段和高中阶段)的不同竞争策略。
一、种群初始化
鉴于缺乏教育导致社会混乱，我们采用logistic混沌映射来模拟这一现象。考虑总体大小为N, Maxiter的最大迭代数，lb(下界)和ub(上界)的搜索界，logistic混沌映射的初始化公式为：
式中xi表示第I次迭代值，xi-1表示前一次迭代值。将混沌值xi映射到搜索空间：
二、小学阶段
在小学阶段，学校根据人口的平均位置来确定合适的教学地点。另一方面，学生们根据邻近学校的远近来设定个体目标。在每次迭代中，根据健康程度排名前20%的人口被归类为学校，而剩下的80%构成学生。重要的是要注意，角色分配给个人(如学校或学生)的过程可以在整个迭代过程中动态变化。W是自适应步长。下图直观地说明了学校和学生在小学阶段采用的行为策略。考虑到安全和便利等因素，小学生通常会选择离家近的学校。反过来，教育机构经常调整他们的位置，以适应学生群体的平均距离，促进可达性和出勤率。这种行为的数学表示由Eq.(3)和Eq.(4)表示。
在式(3)和式(4)中，Xti表示当前位置，而X(t+1)i表示后续更新的位置。Xt imean表示第i所学校在第n轮迭代中向量各元素的平均位置，Levy(D)表示Levy分布，close(X)表示离X最近的学校的位置。Randn表示服从正态分布的随机变量。
三、中学阶段
在中学阶段，学校在选择教学地点时采用了更为复杂的方法。他们考虑了平均和最佳人口位置的组合。同样，这个级别的学生根据邻近学校的远近来设定个人目标。在每次迭代中，根据健康程度排名前10%的人扮演学校的角色，而剩下的90%则是学生。
随着中学学业压力的逐渐增大，学生的学习耐心用p来表示。根据学生是否有学业天赋，进一步将学生分为两组。对于这种分类，判断阈值H设置为0.5。对于有学术天赋的学生，其学习动机用E表示，而对于没有学术天赋的学生，其学习动机的固定值为E = 1。W是自适应步长。下图直观地展示了学校和学生在中学阶段采用的行为策略。和小学一样，学生之间争夺更好教育资源的竞争也在加剧。这些行为的数学表示由Eq. (8) - Eq.(11)表示。
其中，随机数r1模拟不同学生的天赋值，其取值范围为[0,1]。
四、高中阶段
在高中阶段，学校在选择教学地点时采取了细致的方法。他们不仅考虑平均人口位置，还考虑人口中最好和最差的位置。这种全面的评估有助于他们对自己的教育地点做出明智的决定。相反，所有学生都向当前最佳位置聚集，该位置被确定为最佳高中位置。优化过程激励每个学生努力进入这所最好的高中。在每次迭代中，根据他们的适合度，前10%的人被指定为学校，而剩下的90%继续作为学生。下图直观地展示了学校和学生在高中阶段采用的行为策略。高中根据学生的人口结构来调整他们的位置，而学生们则争夺更好的教育机会，在追求卓越的过程中超越地理限制。Eq.(12)和Eq.(13)表示这种行为的数学表达式。
每个学生的天赋用一个随机数R2表示，R2的取值范围为[0,1]。
算法流程图和伪代码
以下提供ECO算法的流程图和伪代码，非常清晰！
如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！
性能测评
为了全面评估ECO的有效性和收敛特性，原文作者将ECO与九种最先进的元启发式算法在6个实际工程问题上进行了比较，突显了其在不同现实领域的潜在适用性。
这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，根据作者文章说所述最佳种群数为40，并设置迭代次数为1000，生成三维函数图像、
可以看到，这个算法性能均衡，能够较快收敛到最优值附近，种群分布性良好，重要的是运行结果也非常稳定！没有大起大落的现象，大家应用到各类预测、优化问题中是一个不错的选择~
参考文献
[1]Lian J, Zhu T, Ma L, et al. The educational competition optimizer[J]. International Journal of Systems Science, 2024: 1-38.
完整代码
如果需要免费获得图中的完整测试代码，只需后台回复关键字，不区分大小写：
ECO
也可后台回复个人需求（比如ECO-TCN）定制以下ECO算法优化模型（看到秒回）：
1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~
2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~
4.路径规划类：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~
5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~
6.原创改进优化算法（适合需要创新的同学）：原创改进2024年的教育竞争优化算法ECO以及蛇鹫SBOA、蜣螂DBO等任意优化算法均可，保证测试函数效果！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
