1 简介
在过去的几十年中,已经开发了许多不同的元启发式算法用于优化目的,由于在不同优化领域的多种应用,每种算法都具有特定的优点和缺点。本文提出了混沌博弈优化 (CGO) 作为一种新的元启发式算法,用于优化受约束的数学和工程设计问题。所提出的 CGO 方法是基于混沌理论的一些原理制定的,其中混沌博弈方法的分形配置以及分形自相似性问题是有视角的。总共收集了 34 个约束数学问题,这些问题在进化计算竞赛 (CEC) 中进行了基准测试和提出,并选择了 15 个约束工程设计问题来评估所提出的新型 CGO 方法的整体性能。为了验证新的 CGO 算法的结果,从文献中选择不同标准、改进和混合元启发式算法在处理所考虑的约束问题方面的最佳结果进行比较。此外,CGO算法的统计结果包括最小值、平均值、最大值和标准差值都被计算出来,并与其他元启发式的结果进行比较。获得的结果证明,所提出的算法能够提供非常有竞争力的结果,并且在大多数情况下优于其他元启发式算法。
2 部分代码
% Chaos Game Optimization (CGO) source codes version 1.0
%
clc;clear all;
%% Get Required Problem Information
Function_name='F3'; % Name of the test function
[LB,UB,Var_Number,fobj]=Get_Functions_details(Function_name);
%% Get Required Algorithm Parameters
MaxIter = 100 ; % Maximum number of generations ;
Seed_Number = 25 ; % Maximum number of initial eligible points ;
%% Outputs:
% BestSeed (Best solution)
% BestFitness (final Best fitness)
% Conv_History (Convergence History Curve)
[Conv_History]=CGO(Seed_Number ,MaxIter,LB',UB',Var_Number,fobj);
figure('Position',[269 240 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
plot(Conv_History,'Color','r','linewidth',1.5)
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on
legend('COOT')
3 仿真结果
4 参考文献
[1]Talatahari, S., Azizi, M., Optimization of Constrained Mathematical and Engineering Design Problems Using Chaos Game Optimization, Computers & Industrial Engineering (2020).
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。