引言
前面几期已分享多期cec测试函数的使用，已初步积累了相关cec测试函数实操技能。那么，这期我们利用推出python版215种优化算法求解11种cec测试函数（有cec2005，cec2008，cec2010，cec2013，cec2014，cec2015，cec2017，cec2019，cec2020，cec2021，cec2022）。助你实现选择自由。
这里，首先不得不提优秀的开源库mealpy，提供了超170种经典和最新发表的优化算法（您想要的它都有！群智能优化算法Python库！！！）。其次，利用另一个开源库opfunu(地址：https://github.com/thieu1995/opfunu) 实现11种cec测试函数的调用。各cec函数具体的信息，需小伙伴们多多阅读文献。这里就不多赘述了，话不多说，直接代码怼脸。Talk is cheap，show you code！
（本期所有代码+数据在文末下载）
02. opfunu的介绍
opfunu是用于前沿数值优化基准函数的最大的python库。包含2005年、2008年、2010年、2013年、2014年、2015年、2017年、2019年、2020年、2021年、2022年的所有CEC竞赛函数。共11种测试函数，实现了500多个不同维度的功能。使用pip安装：
pip install opfunu==1.0.1
03.实操
首先，需要安装两个强大的工具包mealpy、opfunu。当然，也可以直接下载这两个包（已给小伙伴备好了，文末可直接享用）
pip install mealpy==3.0.1pip install opfunu==1.0.1
其次，加载cec测试函数信息。对于优化而言，时刻把握四项基本量：变量上限ub，变量下限lb，变量维度dim，目标函数fit_fun。利用opfunu调用目标函数，基本格式为：函数+年份。当然，你还需要知道每年的cec函数有几个测试函数，维度有几维。这里已经整理好了，方便使用。
'''适应度函数及维度dim的选择cec函数名字格式：函数名+年份，比如要选择2022的F2函数，func_num = 'F2'+'2022'cec2005：F1-F25, 可选 dim = 10, 30, 50cec2008：F1-F7, 可选 2 <= dim <= 1000cec2010：F1-F20, 可选 100 <= dim <= 1000cec2013：F1-F28, 可选 dim = 2, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100cec2014：F1-F30, 可选 dim = 10, 20, 30, 50, 100cec2015：F1-F15, 可选 dim = 10, 30cec2017：F1-F29, 可选 dim = 2, 10, 20, 30, 50, 100cec2019：F1-F10, 可选 dim: F1=9,F2=16,F3=18,其他=10cec2020：F1-F10, 可选 dim = 2, 5, 10, 15, 20, 30, 50, 100cec2021：F1-F10, 可选 dim = 2, 10, 20cec2022：F1-F12, 可选 dim = 2, 10, 20
比如，我们以cec2021的F2测试函数为例，调用的格式为F22021，变量维数dim选择20。我们用cec_fun定义了cec函数，返回F即为对应维度的cec函数，用以后续迭代优化。随后，根据opfunu的调用格式，构建优化问题problem_dict包括了函数基本信息lb，ub，目标函数fit_fun，minmax 可以选解决最大化 或 最小化问题，cec函数一般都是最小化问题，因此选择min。
据此，你可以随心意任意选择11种cec函数，按需选择维度dim。只需改动fun_name 、year 、dim，代码改动量极少，是不是非常方便，简单。
到此，已经把四项基本量：变量上限ub，变量下限lb，变量维度dim，目标函数fit_fun都已经准备好了，接下来就是调用算法求解了。
fun_name = 'F2' #按需修改year = '2021' #按需修改func_num = fun_name + yeardim = 20 # 维度，根据cec函数 选择对应维度'''定义的 cec函数 '''def cec_fun(x):funcs = opfunu.get_functions_by_classname(func_num)func = funcs[0](ndim = dim)F = func.evaluate(x)return F''' fit_func->目标函数, lb->下限, ub->上限 '''problem_dict = {"fit_func": cec_fun,"lb": opfunu.get_functions_by_classname(func_num)[0](ndim = dim).lb.tolist(),"ub": opfunu.get_functions_by_classname(func_num)[0](ndim = dim).ub.tolist(),"minmax": "min",}
最后，调用算法测试应用。以鲸鱼优化算法（WOA）和灰狼优化算法（GWO）为例。设置了最大迭代次数epoch=100，种群数量pop_size=50。有两种调用方式，import的方式也不一样。当然，还有其他170多种算法供君使用。第一种方式可以从mealpy.swarm_based ，mealpy.human_based ，mealpy.math_based等等中import更多的算法。
第二种，直接在get_optimizer_by_name中输入算法对应的名字。似乎第二种方式更便利一些。随后，利用model.solve(problem_dict)求解优化问题。
注意：有些算法输入并不只有（epoch，pop_size）两个输入，还需要查阅mealpy中具体的优化算法的定义和输入，依照python的格式灵活使用。
''' 调用优化算法 '''epoch = 100 #最大迭代次数pop_size = 50 #种群数量''' 第一种方式，需：from mealpy.swarm_based import WOA,GWO '''# woa_model = WOA.OriginalWOA(epoch, pop_size)# gwo_model = GWO.OriginalGWO(epoch, pop_size)''' 第二种方式，需：from mealpy import get_optimizer_by_name'''woa_model = get_optimizer_by_name("OriginalWOA")(epoch, pop_size)gwo_model = get_optimizer_by_name("OriginalGWO")(epoch, pop_size)'''求解 cec函数 '''woa_best_x, woa_best_f = woa_model.solve(problem_dict)gwo_best_x, gwo_best_f = gwo_model.solve(problem_dict)
绘制收敛曲线：提供了加载收敛曲线的方式，调用model.history.list_global_best_fit包即可。
'''绘制适应度曲线model.history.list_global_best_fit：适应度曲线'''plt.figure# plt.semilogy(Curve,'r-',linewidth=2)plt.plot(woa_model.history.list_global_best_fit,'r-',linewidth=2,label = 'WOA')plt.plot(gwo_model.history.list_global_best_fit,'b-',linewidth=2,label = 'GWO')plt.xlabel('Iteration')plt.ylabel('Fitness')plt.grid()plt.title('Convergence curve: '+ 'cec' + year + '-' + fun_name + ', Dim=' + str(dim))plt.legend()plt.show()
绘制三维函数图：调用自带的opfunu.plot_3d函数，里面参数仅可修改n_space和show的值。绘图时间与n_space值有关，n_space值越大耗费时间越长。show = False时，选择不可视化。
''' 绘制三维函数图 '''# 仅修改n_space 和 show -> 可视化选择参数opfunu.plot_3d(opfunu.get_functions_by_classname(func_num)[0](ndim = 2), n_space=500, show = True)plt.title('cec' + year + '-' + fun_name)
总结：
1.通过选择fun_name 、year 、dim ，调用11种cec测试函数，500多种优化问题。
2. 通过model = get_optimizer_by_name("算法名字")(epoch, pop_size，其他参数)输入对应的算法名字和参数，获取170多种优化算法解决优化问题。
到此，已经结束了。整体的代码如下：
# -*- coding: utf-8 -*-"""CEC 测试函数 系列@author: 优化算法侠，Swarm-Opti"""from IPython import get_ipythonget_ipython().magic('reset -sf') #清除所有变量import numpy as npfrom matplotlib import pyplot as plt# In[]:import opfunu # 参考文档：https://github.com/thieu1995/opfunuimport mealpyfrom mealpy.swarm_based import WOA,GWOfrom mealpy import get_optimizer_by_name'''适应度函数及维度dim的选择cec函数名字格式：函数名+年份，比如要选择2022的F1函数，func_num = 'F1'+'2022'cec2005：F1-F25, 可选 dim = 10, 30, 50cec2008：F1-F7, 可选 2 <= dim <= 1000cec2010：F1-F20, 可选 100 <= dim <= 1000cec2013：F1-F28, 可选 dim = 2, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100cec2014：F1-F30, 可选 dim = 10, 20, 30, 50, 100cec2015：F1-F15, 可选 dim = 10, 30cec2017：F1-F29, 可选 dim = 2, 10, 20, 30, 50, 100cec2019：F1-F10, 可选 dim: F1=9,F2=16,F3=18,其他=10cec2020：F1-F10, 可选 dim = 2, 5, 10, 15, 20, 30, 50, 100cec2021：F1-F10, 可选 dim = 2, 10, 20cec2022：F1-F12, 可选 dim = 2, 10, 20'''fun_name = 'F2' #按需修改year = '2021' #按需修改func_num = fun_name + yeardim = 20 # 维度，根据cec函数 选择对应维度'''定义的 cec函数 '''def cec_fun(x):funcs = opfunu.get_functions_by_classname(func_num)func = funcs[0](ndim = dim)F = func.evaluate(x)return F''' fit_func->目标函数, lb->下限, ub->上限 '''problem_dict = {"fit_func": cec_fun,"lb": opfunu.get_functions_by_classname(func_num)[0](ndim = dim).lb.tolist(),"ub": opfunu.get_functions_by_classname(func_num)[0](ndim = dim).ub.tolist(),"minmax": "min",}''' 调用优化算法 '''epoch = 100 #最大迭代次数pop_size = 50 #种群数量''' 第一种方式，需：from mealpy.swarm_based import WOA,GWO '''# woa_model = WOA.OriginalWOA(epoch, pop_size)# gwo_model = GWO.OriginalGWO(epoch, pop_size)''' 第二种方式，需：from mealpy import get_optimizer_by_name'''woa_model = get_optimizer_by_name("OriginalWOA")(epoch, pop_size)gwo_model = get_optimizer_by_name("OriginalGWO")(epoch, pop_size)'''求解 cec函数 '''woa_best_x, woa_best_f = woa_model.solve(problem_dict)gwo_best_x, gwo_best_f = gwo_model.solve(problem_dict)# In[]:'''绘制适应度曲线model.history.list_global_best_fit：适应度曲线'''plt.figure# plt.semilogy(Curve,'r-',linewidth=2)plt.plot(woa_model.history.list_global_best_fit,'r-',linewidth=2,label = 'WOA')plt.plot(gwo_model.history.list_global_best_fit,'b-',linewidth=2,label = 'GWO')plt.xlabel('Iteration')plt.ylabel('Fitness')plt.grid()plt.title('Convergence curve: '+ 'cec' + year + '-' + fun_name + ', Dim=' + str(dim))plt.legend()plt.show()# In[]:''' 绘制三维函数图 '''# 仅修改n_space 和 show -> 可视化选择参数opfunu.plot_3d(opfunu.get_functions_by_classname(func_num)[0](ndim = 2), n_space=500, show = True)plt.title('cec' + year + '-' + fun_name)
本推文仅抛砖引玉，相信各位小伙伴可以探索opfunu和mealpy更多高级的用法，使用170多种优化算法一键跑完11种cec测试函数。祝各位成功！！！🌹
Python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。
【选择自由，免费下载】215种优化算法求解11种cec测试函数-python代码
点击链接跳转：
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
求解cec测试函数-matlab
解决12工程设计优化问题-matlab
求解11种cec测试函数-python
解决12种工程设计优化问题-python
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）
沙场大点兵：24种信号分解方法（附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代码沙场大点兵：27种一维数据转换成二维图像的方法-matlab代码
https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247486260&idx=1&sn=81b1970cb89364c0289ccdfb403e5388&chksm=c12be731f65c6e273a85456326b503b7f35d9f035405050932ff1926e0b1bfa8076b1bc2d1f2&token=25423484&lang=zh_CN#rd
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
