CEC2020测试函数保姆级教程：1000+种群智能优化算法求解cec2020测试函数-matlab

最新推荐文章于 2024-05-02 16:56:24 发布

88号技师

最新推荐文章于 2024-05-02 16:56:24 发布

阅读量1.4k

点赞数 3

分类专栏：智能优化算法文章标签：算法 matlab 开发语言启发式算法元启发式

本文链接：https://blog.csdn.net/weixin_44028734/article/details/134823629

版权

智能优化算法专栏收录该内容

438 篇文章 54 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、cec2021、cec2022）测试函数的快捷用法及matlab代码下载压缩包。

那么，本期照猫画虎推出cec2020测试函数的使用，1分钟让你学会。

本期所有代码+数据在文末下载

该cec2020测试函数共有10个单目标测试函数，从cec2014和cec2017测试函数中选几个函数组成的（有划水摸鱼嫌疑

），搜索区间也一样都在[-100,100]之间。所有的测试函数都是解决最小化问题，D为维数（可选 2维, 5维, 10维, 15维, 20维），如下形式：

1. 下载cec2020函数

cec2020函数的格式为cpp文件，cec20_func.cpp。在matlab里需要编译。在matlab的命令行输入：

mex cec20_func.cpp

提示MEX 已成功完成，编译生成了cec20_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。

2. 加载cec2020测试函数

cec2020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) cec20_func(x,1);

数字1表示cec2020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) cec20_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cec2020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_cec2020.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_cec2020(Function_name, dim);

3. 调用算法测试应用

用以下5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，哈里斯鹰优化算法HHO；最近发表的算法，非洲秃鹫优化算法AVOA（2021），大猩猩优化算法GTO（2021），海马优化器SHO（2022）。

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））
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））
非洲秃鹫优化算法（AVOA下载地址：优化算法-20种动物园优化算法（附Matlab代码））
大猩猩优化算法（GTO下载地址：优化算法-20种动物园优化算法（附Matlab代码））
海马优化器（SHO下载地址：优化算法-海马优化器Sea-horse optimizer（附Matlab代码））

整体的代码如下：

% 微信公众号：优化算法侠，Swarm-Opticlc;clear;close all%%nPop=50; % 种群数Max_iter=500; % 最大迭代次数
%%  选择函数dim = 20; % 维数，可选 2, 5, 10, 15, 20Function_name=10; % 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_cec2020(Function_name, dim);
%% 调用算法Optimal_results={}; % 保存Optimal resultsindex = 1;% PSOtic[Best_score,Best_x,cg_curve]=PSO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="PSO";           % 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;% GTOtic[Best_score,Best_x,cg_curve]=GTO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="GTO";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;% AVOAtic[Best_score,Best_x,cg_curve]=AVOA(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="AVOA";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;% SHOtic[Best_score,Best_x,cg_curve]=SHO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}="SHO";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 onendtitle(['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 tightgrid onbox oneval(ax.Tag)set(gcf,'Position',[400 200 400 250])legend(Optimal_results{1, :})