基于分数阶改进浣熊优化算法（ICOA，可与其他改进比较效果，给出了23种测试函数的收敛结果）

浣熊优化算法为2023年提出的较新优化算法，其性能很是优越，本文不再对其基本原理进行叙述，改进后的效果如下所示：

        此算法性能较强，在处理固定多维测试函数上，直接拉其他算法几个量级，改进后有了更快的收敛速度及收敛精度，改进点有注释，共5种改进策略（常见策略的排列组合），带23种测试函数表达式以及测试函数理论最优值等信息，详情见下图。

性能较好，搭配各种工程应用有助于发paper，亦可提升自己对算法的理解能力。

对比算法:GWO，COA，WOA，NGO，DBO

最大迭代次数:500

初始种群数量:30

独立运行次数：30

输出信息:算法收敛曲线对比图，测试函数波形图，最优值，最差值，平均值，标准差。

改进后的对比效果，如下图所示，展现出了非常强的收敛速度与收敛精度，在单维，多维，固定多维共计23种测试函数中，ICOA共计18种测试函数结果最优，共计20种测试函数效果比COA好，较优的已在图中标记，详情见如下测试函数。对该算法的改进，可与任何网络代码在收敛速度和收敛精度方面进行比较，看测试函数效果就好。

 

 

 

 

 获取方式：🍞正在为您运送作品详情https://mbd.pub/o/bread/ZJmYlppx