优化算法性能分析，收敛分析包括搜索历史、平均适应度值、轨迹、和收敛曲线4个指标进行评估。

最新推荐文章于 2024-07-30 11:28:17 发布

刘帅_2016

最新推荐文章于 2024-07-30 11:28:17 发布

阅读量1.6k

点赞数 28

文章标签： matlab

本文链接：https://blog.csdn.net/qq_37129897/article/details/136493667

版权

本文通过搜索历史、平均适应度值、轨迹和收敛曲线四个指标，详细分析了优化算法的收敛性能。使用MATLAB实现，展示了种群数、函数信息和最大迭代次数等关键参数，并运用GWO2算法进行优化。最后，绘制了不同阶段的图表，包括最优值的位置和算法的收敛曲线。

摘要由CSDN通过智能技术生成

收敛分析包括搜索历史、平均适应度值、轨迹、和收敛曲线4个指标进行评估。

l=l+1;
Convergence_curve(l)=Alpha_score;
%-------------- 新加--------------------
search_history ((l-1)*SearchAgents_no+1:l*SearchAgents_no,:)=Positions; % search history
ave_fit(l) = mean(fitness); % average fitness
x_1st(l,:)= Positions(1,:); % 1st trajectory

clc;clear;close all;
%% 参数设置
SearchAgents_no=50; % 种群数
Function_name='F1'; % 函数名字 F1 to F23
Max_iteration=500; % 最大迭代次数
%% 加载测试函数信息
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 优化算法
[Best_score,Best_pos,cg_curve,search_history,ave_fit,x_1st]=GWO2(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

%% 绘图
figure(1);
% 函数图
subplot(1,5,1);
func_plot(Function_name);
title([Function_name]);xlabel('x_1');ylabel('x_2');
zlabel([Function_name,'( x_1 , x