CEC2019测试函数保姆级教程：1000+种群智能优化算法求解cec2019测试函数-matlab

目录

引言

完整Matlab代码下载

该代码一举歼灭所有群智能优化算法在cec2021测试函数的应用

---

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、cec2020、cec2021、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cec2019测试函数的使用及matlab代码，1分钟让你学会。

该cec2019测试函数共有10个单目标测试函数。cec2017、cec2021、cec2022每个函数的变量维数是一样的，搜索区间也一样都在[-100,100]之间。而与其他测试函数不同的是，cec2019中每个函数的变量维数不一样，搜索区间也不一样。所有的测试函数都是解决最小化问题，D为维数，如下形式：

首先需下载cec2019函数。函数的格式为cpp文件，cec19_func.cpp。在matlab里需要编译。在matlab的命令行输入：

mex cec19_func.cpp

提示MEX 已成功完成，编译生成了cec19_func.mexw64文件即可。这里我们已经为各位小伙伴下载并编译好了，文末可直接享用。

其次，加载cec2019测试函数。cec2019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) cec19_func(x,1);

数字1表示cec2019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) cec19_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），还需要小伙伴自行改写成第一种方式。

我们将所有cec2019函数的信息（上限ub，下限lb，维度dim，cec测试目标函数fobj）封装成了一个名为Get_Functions_cec2019.m的文件中，便于使用。

Function_name=2; % 函数名：1 - 10% lb->下限，ub->上限，fobj->目标函数，dim-> 维度[lb,ub,dim,fobj] = Get_Functions_cec2019(Function_name);

最后，调用算法测试应用。用以下7个算法简单试验一下：经典算法，粒子群优化算法PSO；高被引算法，鲸鱼优化算法WOA，灰狼优化算法GWO，哈里斯鹰优化算法HHO；最近发表的算法，蜣螂优化算法DBO（2022），长鼻浣熊优化算法COA（2022），杨氏双缝实验优化器YDSE（2022）。

1. 粒子群优化算法（PSO下载地址：优化算法-20种动物园优化算法（附Matlab代码））

2. 鲸鱼优化算法（WOA下载地址：优化算法-鲸鱼优化算法Whale Optimization Algorithm（附Matlab代码））

3. 哈里斯鹰优化算法（HHO下载地址：优化算法-哈里斯鹰优化算法Harris hawks optimization（附Matlab代码））

4. 灰狼优化算法（GWO下载地址：优化算法-灰狼优化算法 Grey Wolf Optimizer(附Matlab代码)）

5. 蜣螂优化算法（DBO下载地址：优化算法-蜣螂优化器 Dung beetle optimizer(附Matlab代码)）

6. 长鼻浣熊优化算法(COA下载地址：优化算法-长鼻浣熊优化算法Coati Optimization Algorithm（附Matlab代码）)

7. 杨氏双缝实验优化器（YDSE下载地址：优化算法-杨氏双缝实验优化器Young’s double-slit experiment （附Matlab代码））

% 微信公众号：优化算法侠，Swarm-Opti
clc;clear;close all
%%
nPop=50; % 种群数
Max_iter=500; % 最大迭代次数

%%  选择函数
Function_name=2; % 函数名：1 - 10
% lb->下限，ub->上限，fobj->目标函数，dim-> 维度
[lb,ub,dim,fobj] = Get_Functions_cec2019(Function_name);

%% 调用算法
Optimal_results={}; % 保存Optimal results
index = 1;
% WOA
tic
[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;
% HHO
tic
[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;
% GWO
tic
[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;
% DBO
tic
[Best_score,Best_x,cg_curve]=DBO(nPop,Max_iter,lb,ub,dim,fobj);
Optimal_results{1,index}="DBO";
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;
% COA
tic
[Best_score,Best_x,cg_curve]=COA(nPop,Max_iter,lb,ub,dim,fobj);
Optimal_results{1,index}="COA";
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;
% PSO
tic
[Best_score,Best_x,cg_curve]=PSO(nPop,Max_iter,lb,ub,dim,fobj);
Optimal_results{1,index}="PSO";
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;
% YDSE
tic
[Best_score,Best_x,cg_curve]=YDSE(nPop,Max_iter,lb,ub,dim,fobj);
Optimal_results{1,index}="YDSE";
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;
%% plot 绘图
figure

for i = 1:size(Optimal_results, 2)
%     plot(Optimal_results{2, i},'Linewidth',2)
    semilogy(Optimal_results{2, i},'Linewidth',2)
    hold on
end
title(['Convergence curve, Dim=' num2str(dim)])
xlabel('Iteration');
ylabel(['Best score F' num2str(Function_name) ]);
ax = gca;
set(ax,'Tag',char([100,105,115,112,40,39,20316,32773,58,...
    83,119,97,114,109,45,79,112,116,105,39,41]));
axis tight
grid on
box on
eval(ax.Tag)
set(gcf,'Position',[400 200 400 250])
legend(Optimal_results{1, :})

测试结果展示：

F1结果：

F2结果：

完整Matlab代码下载

该代码一举歼灭所有群智能优化算法在cec2019测试函数的应用

该代码一举歼灭所有群智能优化算法在cec2019测试函数的应用

该代码一举歼灭所有群智能优化算法在cec2019测试函数的应用

 1分钟学会使用cec2019测试函数（附Matlab代码）