在优化算法的领域中,北方苍鹰算法(NGO)以其独特的搜索策略和优异的性能受到了广泛关注。然而,随着研究的深入,科研人员不断探索对现有算法进行改进的可能性,以期获得更高的效率和更好的性能。本文将介绍一种对NGO算法进行改进的新算法——增强版北方苍鹰算法(EHNGO),并展示其在多种测试环境下的卓越性能。
算法改进点
EHNGO算法在原有NGO算法的基础上进行了三处显著的改进,这些改进均在代码中以注释的形式进行了详细标注。此外,为了帮助新手更好地理解NGO算法,文件夹中还包含了一些说明文档,这些文档为理解和应用EHNGO算法提供了极大的便利。
特点与优势
性能表现
- 单峰、多峰和固定多峰上的显著效果:EHNGO算法在不同类型的测试函数上均展现出了优异的性能,这一点可以从详细的图表中得到验证。
策略创新
- 新颖的策略应用:EHNGO算法避免了使用如Levy飞行、柯西变异和混沌映射等过于常见的策略,采用了更新的策略来提升算法的搜索效率和精度。
竞争力分析
- 对比算法的竞争力:通过与蛇优化算法(SO)、鲸鱼优化算法(WOA)、算术优化算法(AOA)和灰狼优化算法(GWO)等算法的对比,EHNGO算法显示出了其强大的竞争力,进一步证明了其有效性。
实验设置
- 初始条件:最大迭代次数设置为500,初始种群数量为30,独立运行次数为30,以获得每次运行的平均收敛曲线。
- 衡量指标:通过最优值、最差值、平均值和标准差等指标来评估算法的性能。
输出结果
- 图像展示:包括测试函数的波形图、算法平均收敛曲线图以及算法独立运行结果的箱型图,直观地展现了EHNGO算法的性能。
- 文档文件:提供了北方苍鹰算法寻优原理的PPT、23种测试函数表达式的PDF和北方苍鹰优化算法原文的PDF,为进一步研究提供了丰富的资料。
实验发现
EHNGO算法不仅在收敛速度和精度上表现出色,而且在不同类型测试函数上都取得了良好的结果。特别是在工程应用中,其表现值得期待。在测试过程中,发现AOA算法在F17测试函数上出现了错误,但在其他测试函数上表现正常。为此,提供了海鸥优化算法(SOA)作为替代方案,并简化了替换方法——只需在main文件中将AOA替换为SOA即可。
结论
EHNGO算法在收敛曲线图上展现了其强悍的能力,即使在某些测试函数上未能取得最优值,但其性能依然超越了其他算法。此外,通过箱型图可以直观地看出EHNGO算法的数据波动较小,显示出良好的鲁棒性。所有这些图表都可以通过一键运行main文件轻松获得,极大地方便了用户对算法性能的评估和分析。
未来展望
EHNGO算法的成功不仅体现在理论上,更在于其在实际应用中的潜力。随着进一步的研究和开发,相信EHNGO算法将在更多的领域展现其独特的价值和优势。