CEC2021测试函数保姆级教程：1000+种群智能优化算法求解cec2021测试函数-matlab

最新推荐文章于 2024-03-22 00:34:30 发布

88号技师

最新推荐文章于 2024-03-22 00:34:30 发布

阅读量651

点赞数 2

分类专栏：智能优化算法文章标签：算法 matlab 开发语言机器学习人工智能

本文链接：https://blog.csdn.net/weixin_44028734/article/details/134799151

版权

智能优化算法专栏收录该内容

422 篇文章 48 订阅

订阅专栏

引言

通常需要用cec测试函数对一个新方法的性能进行多方位的验证。各大公众号和博主将开源的cec测试函数和群智能优化算法系列进行高价售卖，给小伙伴们带来一些获取难度。鉴于此，本号前几期已分享了多个cec测试函数（cec2017、cec2018、cec2019、cec2020、cec2022）测试函数的快捷用法及matlab代码下载压缩包。

那么，本期在前期的基础上，继续照猫画虎推出cec2021测试函数的使用及matlab代码，1分钟让你学会。

该cec2021测试函数共有10个单目标测试函数，基本上是cec2017和cec2014的里挑选的函数。分别是：单峰函数(F1)、基础函数（F2-F4）、混合函数(F5-F7)和组合函数(F8-F10)。测试维度有2维，10维，20维。所有的测试函数都是解决最小化问题。如下形式：

其中，D为维数。为方便起见，cec2021测试函数定义了相同的搜索范围，即区间[-100, 100]。

首先需下载cec2021函数。函数的格式为cpp文件，cec21_basic_func.cpp。在matlab里需要编译。在matlab的命令行输入

mex cec21_basic_func.cpp

提示MEX 已成功完成，编译生成了cec21_basic_func.mexw64文件即可。这里我们已经为各位下载并编译好了，文末可直接享用。

其次，加载cec2021测试函数。cec2021测试函数有10个，输入x的数据格式需为列向量，即N*1，调用方式为：

fobj = @(x) cec21_basic_func(x,1);

数字1表示cec2021的第一个函数。当然，可以在1-10中任意选择一个数，就选择了对应的测试函数。

如果你的输入数据x是一个行向量，即1*N，调用方式为：

fobj = @(x) cec21_basic_func(x',1);

考虑到大部分优化算法中x的格式为（nPop种群数，Dim维度），因此，我们采用了第二种fobj的调用方式。如果遇到的x是（Dim维度，nPop种群数），还小伙伴需要自行改写。

最后，测试应用。

鲸鱼优化算法（WOA获取地址：优化算法-鲸鱼优化算法Whale Optimization Algorithm（附Matlab代码））
哈里斯鹰优化算法（HHO，见：优化算法-哈里斯鹰优化算法Harris hawks optimization（附Matlab代码））
灰狼优化算法（GWO，见：优化算法-灰狼优化算法 Grey Wolf Optimizer(附Matlab代码)）

我们以上述三个算法为例进行测试。算法的参数设置如下：

clcclearclose all%%nPop=50; % 种群数Max_iter=500; % 最大迭代次数dim = 20; % 维度，可选 2, 10, 20
%%  选择函数Function_name=10; % 函数名：1 - 10% lb->下限，ub->上限，fobj->目标函数[lb,ub,dim,fobj] = Get_Functions_cec2021(Function_name,dim);
%% 调用算法Optimal_results={}; % 保存Optimal resultsindex = 1;% WOAtic[Best_score,Best_x,cg_curve]=WOA(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="WOA";         % 算法名字Optimal_results{2,index}=cg_curve;      % 收敛曲线Optimal_results{3,index}=Best_score;    % 最优函数值Optimal_results{4,index}=Best_x;        % 最优变量Optimal_results{5,index}=toc;           % 运行时间index = index +1;% HHOtic[Best_score,Best_x,cg_curve]=HHO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="HHO";Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% GWOtic[Best_score,Best_x,cg_curve]=GWO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="GWO";Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;%% plotfigure
for i = 1:size(Optimal_results, 2)%     plot(Optimal_results{2, i},'Linewidth',2)    semilogy(Optimal_results{2, i},'Linewidth',2)    hold onendtitle(['Convergence curve, Dim=' num2str(dim)])xlabel('Iteration');ylabel(['Best score F' num2str(Function_name) ]);axis tightgrid onbox onset(gcf,'Position',[400 200 400 250])legend(Optimal_results{1, :})