【仅需一行】13种变异策略改进所有优化算法,以哈里斯鹰算法HHO为例,帮你一键解决(附matlab代码)

 引言

利用变异策略可以缓解优化算法在大规模优化问题中存在早熟收敛、易陷入局部最优和收敛精度低的缺点

本期不完全整理了13种常见的变异策略的matlab代码,该策略适用于所有优化算法。具体有:

  1. 高斯变异
  2. 高斯精英变异
  3. 柯西变异
  4. 柯西逆累积分布变异
  5. t分布扰动变异
  6. 自适应t分布扰动变异
  7. 正态云变异
  8. 周期变异
  9. 精英差分变异 DE/best/1
  10. 随机-精英差分变异 DE/rand-to-best/1
  11. 随机差分变异 DE/rand/2
  12. 精英差分变异 DE/best/2
  13. 非均匀变异

哈里斯鹰优化算法HHO为例,用13种变异策略进行改进,mutation_HHO.m,分别如下所示。算法最大迭代次数为500次,种群数50,在cec2017函数上进行测试。为快速验证算法,每个算法暂运行2次,均值作为最终的结果。点击run.m运行

高斯变异的哈里斯鹰优化算法,guass1-HHO高斯精英变异的哈里斯鹰优化算法,guass2-HHO柯西变异的哈里斯鹰优化算法,Cauchy1-HHO柯西逆累积分布变异的哈里斯鹰优化算法Cauchy2-HHOt分布扰动变异的哈里斯鹰优化算法,t-HHO自适应t分布扰动变异的哈里斯鹰优化算法,self-t-HHO正态云变异的哈里斯鹰优化算法,Cloud-HHO周期变异的哈里斯鹰优化算法,Periodic-HHO精英差分变异的哈里斯鹰优化算法, DE/best/1-HHO 随机-精英差分变异的哈里斯鹰优化算法, DE/rand-to-best/1-HHO 随机差分变异的哈里斯鹰优化算法, DE/rand/2-HHO 精英差分变异的哈里斯鹰优化算法, DE/best/2-HHO 非均匀变异的哈里斯鹰优化算法, H-HHO

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。

还在为idea发愁?13种变异策略,用于改进所有优化算法,帮你一键解决(附matlab代码)

点击链接跳转:


matlab版的340种基础优化算法免费下载

cec2017测试函数使用教程及matlab代码免费下载

cec2018测试函使用教程及matlab代码免费下载

cec2019测试函使用教程及matlab代码免费下载

cec2020测试函使用教程及matlab代码免费下载

cec2021测试函使用教程及matlab代码免费下载

cec2022测试函使用教程及matlab代码免费下载
绘制cec2017/018/2019/2020/2021/2022函数的三维图像教程,SO EASY!

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

用于改进所有优化算法:21种混沌映射方法-混沌初始化(附matlab代码)

用于改进所有优化算法:21种混沌映射方法-混沌初始化(附matlab代码)21种混沌映射方法-混沌初始化,适用于所有优化算法icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247486215&idx=2&sn=58f1a69175b0d6431a4c7cdfa114b84d&chksm=c12be702f65c6e14e6bd1ddc33b9cec74991d93303c325853049b7e4afd09039b13083fa79c5&token=25423484&lang=zh_CN#rd

沙场大点兵:24种信号分解方法(附matlab代码) 

沙场大点兵:24种信号分解方法(附matlab代码)icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247486001&idx=1&sn=a87c24cb401017a78a90bd1b1439fcb0&chksm=c12be634f65c6f22368b7229a59ac5ef330b89d710c826dbfd1a1c34a02b1dd7e909c7f40d79&token=25423484&lang=zh_CN#rd

 沙场大点兵:27种一维数据转换成二维图像的方法-matlab代码沙场大点兵:27种一维数据转换成二维图像的方法-matlab代码icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247486260&idx=1&sn=81b1970cb89364c0289ccdfb403e5388&chksm=c12be731f65c6e273a85456326b503b7f35d9f035405050932ff1926e0b1bfa8076b1bc2d1f2&token=25423484&lang=zh_CN#rd

  • 28
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
哈里斯鹰优化算法(Harris Hawks Optimization, HHO)是一基于鹰群行为的优化算法,用于解决优化问题。下面是一个简单的HHO算法的Python代码示例: ```python import random import numpy as np def hho_algorithm(objective_function, lb, ub, dim, max_iter, num_hawks): # 初始化鹰的位置和速度 hawks_position = np.zeros((num_hawks, dim)) hawks_velocity = np.zeros((num_hawks, dim)) hawks_fitness = np.zeros(num_hawks) # 初始化最优解和最优适应度 best_solution = np.zeros(dim) best_fitness = float("inf") # 随机初始化鹰的位置 for i in range(num_hawks): hawks_position[i] = lb + (ub - lb) * np.random.rand(dim) hawks_fitness[i] = objective_function(hawks_position[i]) # 更新最优解和最优适应度 if hawks_fitness[i] < best_fitness: best_solution = hawks_position[i] best_fitness = hawks_fitness[i] # 主循环 for t in range(max_iter): # 更新每只鹰的速度和位置 for i in range(num_hawks): # 随机选择两只鹰作为“追逐者”和“被追逐者” r1 = random.randint(0, num_hawks - 1) r2 = random.randint(0, num_hawks - 1) while r1 == i or r2 == i or r1 == r2: r1 = random.randint(0, num_hawks - 1) r2 = random.randint(0, num_hawks - 1) # 更新速度和位置 hawks_velocity[i] = hawks_velocity[i] + (hawks_position[r1] - hawks_position[i]) + (hawks_position[r2] - hawks_position[i]) hawks_position[i] = hawks_position[i] + hawks_velocity[i] # 边界处理 hawks_position[i] = np.clip(hawks_position[i], lb, ub) # 更新适应度 hawks_fitness[i] = objective_function(hawks_position[i]) # 更新最优解和最优适应度 if hawks_fitness[i] < best_fitness: best_solution = hawks_position[i] best_fitness = hawks_fitness[i] return best_solution, best_fitness ``` 在上述代码中,`objective_function`是待优化的目标函数,`lb`和`ub`是变量的上下界,`dim`是变量的维度,`max_iter`是最大迭代次数,`num_hawks`是鹰的数量。算法通过不断更新鹰的速度和位置来寻找最优解。 请注意,这只是一个简单的示例代码,实际使用时可能要根据具体问题进行适当的修改和调整。

“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