1 简介
灰狼优化器 (GWO)模仿领导层级的元启发式方法以及一群灰狼(狼群)的合作捕猎行为。 GWO 的增强,命名为 Augmented GWO(AGWO),最近提出了具有更大的探索能力。然而,在某些情况下,AGWO在开发阶段表现不佳并在本地停滞不前最佳。 CS算法是一种受自然启发的优化模仿杜鹃鸟独特筑巢策略的技术和征收航班。两种算法都具有强大的搜索能力能力。在我们的研究工作中,一种新颖的混合元启发式算法,被称为AGWOCS,它结合了两者的优点启发式算法以有效地达到全局最优。这所提出的算法融合了AGWO 具有 Cuckoo Search (CS) 的开发能力。为了测试我们提出的混合动力的熟练程度AGWOCS,二十三个著名的基准测试功能。
2 部分代码
%_____________________________________________________________________________________________ %
% Augmented Grey Wolf optimizer-Cuckoo Search algorithm (AGWO-CS)
%
%___________________________________________________________________________________________ %
%
clear all
clc
close all
warning off
SearchAgents_no=20; % 搜索代理数量
Function_name='F1'; % 测试功能的名称,可以从 F1 到 F23
Max_iteration=200; % 最大迭代次数
Run_no = 20;
for k = 1 : 1 : Run_no
% 加载所选基准函数的详细信息
[lb,ub,dim,fobj]=Get_Function_details(Function_name);
[Best_score_CS2,Best_pos_CS2,AGWOCS_cg_curve]=AGWO_CS(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); % Augmented GWO- Cuckoo Search.
BestSolutions1(k) = Best_score_CS2;
Average= mean(BestSolutions1);
Mean=mean(BestSolutions1);
StandDP=std(BestSolutions1);
Med = median(BestSolutions1);
[BestValueP I] = min(BestSolutions1);
[WorstValueP IM] = max(BestSolutions1);
disp(['Run # ' , num2str(k), ' Best_score_AGWOCS : ' , num2str( Best_score_CS2)]);
end
disp([ 'Best=',num2str( BestValueP)]);
disp([ 'Worst=',num2str(WorstValueP)]);
disp([ 'Average=',num2str( Average)]);
disp([ 'Mean=',num2str( Mean)]);
disp([ 'Standard Deviation=',num2str( StandDP)]);
disp([ 'Median=',num2str(Med)]);
figure('Position',[300 190 980 490])
%figure('Position',[300 190 500 270])
%绘制搜索空间
subplot(1,2,1);
func_plot(Function_name);
title('目标坐标')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%颜色图
%绘制目标坐标
subplot(1,2,2);
%semilogy(GWO_cg_curve,'Color','r')
hold on
semilogy(AGWOCS_cg_curve,'Color','m')
title('目标坐标')
xlabel('I迭代');
ylabel('最优值');
axis tight
grid on
box on
%legend('AGWO-CS')
legend({'AGWO-CS'},'FontSize',2,'location','best')
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
3 仿真结果
4 参考文献
[1]田明正. 求解多目标优化问题的基于布谷鸟搜索策略的两种改进算法[D]. 武汉大学, 2017.