2024年优化算法-爱情进化算法Love Evolution Algorithm(附Matlab代码)

引言

本期介绍了一种新的元启发式优化算法--爱情进化算法Love Evolution Algorithm,LEA,一种受刺激-价值-角色理论启发的新型进化算法。LEA最大的新颖之处在于其独特的搜索操作,包括变量间卷积、交叉和变异的乘法和除法。该成果于2024年2月发表在中科院3区SCI期刊 The Journal of Supercomputing。

图片

图片

恋爱是一个人在其一生中能够自主、自愿、自由地建立的亲密关系,是异性或同性之间爱慕的一种表达。美国心理学家Murstein提出了一种影响深远的人际关系心理学理论:刺激-价值-角色(SVR)理论。SVR理论将恋爱(婚姻选择)分为三个阶段,分别是刺激阶段、价值阶段和角色阶段。刺激阶段包括通过视觉、听觉和非互动手段实现的价值满足。价值阶段包括通过言语互动欣赏的价值。角色阶段包括双方在相互分配的角色中发挥作用的能力。

1.初始化:和其他算法一样。

图片

2.邂逅:考虑到人们认识的随机性,以及这种随机性可能会增加所提出算法的多样性。在遭遇战中采用随机策略,即随机生成浪漫伙伴。生成方法如下。

图片

3.刺激阶段在刺激阶段,双方都受到各自的外表、行为和个性的刺激。在这一阶段的理解通常是肤浅的,很难使各自的特征受到影响。

图片

4.Refection operation:分手后,第i对情侣对第j个特征的反思应该是在第j个特征本身。

图片

5.价值阶段当接受度小于0.5时,进入价值阶段。价值阶段将考虑更深层次的思想和行为,这涉及到特征的变化。使用卷积来定义卷积算子

图片

6.接受度在价值阶段之后,定义接受度,以确定哪些情侣能够进入角色阶段。

图片

7.角色阶段

图片

LEA的流程图:

图片

原文作者通过CEC2017基准函数的数值实验验证了LEA的效率,并通过Wilcoxon符号秩检验和Friedman检验证明其优于7种元启发式算法。使用CEC2022基准函数的进一步测试证实了LEA与七个最先进的元启发式方法相比的竞争力。最后,将研究扩展到现实问题,展示了LEA在八个不同工程问题中的性能。

图片

 

 

参考文献

Gao, Y., Zhang, J., Wang, Y. et al. Love Evolution Algorithm: a stimulus–value–role theory-inspired evolutionary algorithm for global optimization. J Supercomput (2024). https://doi.org/10.1007/s11227-024-05905-4.

Matlab代码下载

微信搜索并关注-优化算法侠,或扫描下方二维码关注,以算法名字搜索历史文章即可下载。

2024年优化算法-爱情进化算法Love Evolution Algorithm(附Matlab代码)

320多种基础的群智能优化算法-matlab

速来下载!超320种基础优化算法!-Matlab版(截至2023.12.02)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247485602&idx=1&sn=806af7a9a7169b058e179ca2a089c287&chksm=c12be4a7f65c6db15c5969dd0223d2e42759a8e24a263fb71abac3b5015c0cabe2c5bdbbf285&token=649838004&lang=zh_CN#rd

175种群智能优化算法python库

超175+种群智能优化算法Python库!!!icon-default.png?t=N7T8http://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247484577&idx=1&sn=ed0b2e27b73e738c094c7534a63a2cda&chksm=c12be8a4f65c61b2f3d90e2b4d1f480f8d0bb038b6598828ebf2434006e07925f8102af9795f&scene=21#wechat_redirect

求解cec测试函数-matlab

最新最火!cec2022测试函数来了(附Matlab代码)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247484693&idx=1&sn=ce311acb26bee2894db6fe90776288bd&chksm=c12be910f65c6006af080b1e97ad5514eee06b64d2caeeac2008b8c06fdc3ba379455e9ca709&scene=21#wechat_redirect

解决12工程设计优化问题-matlab

略微出手,工程设计问题(12)(附Matlab代码)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247485052&idx=1&sn=80e5573c1c005ee5640e44935044ee35&chksm=c12bea79f65c636fc73758b4f4893502bd89cbd1c5d15d7db15e8b5c94eeae40450439d44944&token=681266555&lang=zh_CN#rd

求解11种cec测试函数-python

一网打尽!170+种优化算法求解11种cec测试函数(附Python代码)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247484745&idx=1&sn=1957f7c9b44c47f171c1cd46054d1679&chksm=c12be94cf65c605a5e0f8404e6c90964ce0743b7c25ff5f98a03dedc77e5eec5b48bf0c0e782&token=681266555&lang=zh_CN#rd

解决12种工程设计优化问题-python

大放送!170+种优化算法解决12种工程设计问题(附python代码)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247485068&idx=1&sn=c913be0f2445f8b4d3e944569f5e599f&chksm=c12bea89f65c639f1df0f8e6cacffc1fdffa96683d10743094435ee6b0b55573a5bc8eec7eb3&token=681266555&lang=zh_CN#rd

  • 27
    点赞
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
三个目标参数的优化算法通常指的是多目标优化问题。在这种情况下,我们需要同时优化多个目标函数,而不是单个目标函数。 常见的多目标优化算法包括: 1. 遗传算法(Genetic Algorithm,GA) 2. 粒子群优化(Particle Swarm Optimization,PSO) 3. 差分进化算法(Differential Evolution,DE) 4. 多目标遗传规划(Multi-Objective Genetic Programming,MOGP) 5. 多目标神经网络(Multi-Objective Neural Networks,MONN) 这里我们以遗传算法为例,介绍如何使用 MATLAB 实现三个目标参数的优化。 首先,我们需要定义我们的目标函数。假设我们有三个目标函数 $f_1(x)$、$f_2(x)$ 和 $f_3(x)$,我们的目标是找到一个 $x$ 的向量,使得这三个目标函数都最小化。我们可以将它们组合成一个矢量形式的目标函数: $$ f(x) = [f_1(x), f_2(x), f_3(x)] $$ 然后,我们可以使用 MATLAB 中的 `gamultiobj` 函数来执行遗传算法。这个函数需要我们提供目标函数的句柄,以及一些其他的优化参数,如种群大小、交叉率和变异率等。以下是一个简单的示例: ``` % 定义目标函数 fun = @(x) [x(1)^2, x(2)^2, x(3)^2]; % 定义优化参数 options = optimoptions('gamultiobj', 'PopulationSize', 50, 'CrossoverFraction', 0.8, 'MutationRate', 0.01); % 执行遗传算法优化 [x, fval] = gamultiobj(fun, 3, [], [], [], [], [], [], options); % 输出结果 disp('最优解:'); disp(x); disp('最小值:'); disp(fval); ``` 在这个示例中,我们定义了一个简单的目标函数,它包含三个二次项。然后,我们定义了一些遗传算法的参数,如种群大小、交叉率和变异率等。最后,我们使用 `gamultiobj` 函数来执行遗传算法,并输出最优解和最小值。 请注意,这只是一个简单的示例。实际应用中,您可能需要使用更复杂的目标函数和约束条件,以及调整算法参数以获得更好的结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值