单目标优化：红鸢优化算法（Red kite Optimization Algorithm，ROA）求解CEC2017（提供Matlab代码）

一、红鸢优化算法简介

红鸢优化算法（Red kite Optimization Algorithm，ROA）由Jalal Raeisi Gahruei和Zahra Beheshti于2022年提出。

参考文献：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22.

二、CEC2017简介

CEC2017共有30个无约束测试函数分别是：单峰函数(F1-F3)、简单多峰函数(F4-F10)、混合函数(F11-F20)和组合函数(F21-F30)。测试维度包含：10D、30D、50D、100D。CEC2017无约束测试问题随着维度的增加求解极其困难。

三、求解结果

将红鸢优化算法ROA运用于求解CEC2017中30个无约束函数，其中每个测试函数可以选择的维度分别有：10D、30D、50D、100D。增大迭代次数，ROA的求解效果更佳。本例测试函数维度均为为10D（可根据自己需求调整），最大迭代次数为5000次。

clc
close all
clear 
% 参考文献：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22.
func_num=1;%选择测试函数1-30
D=10;%10/30/50/100
Xmin=-100; 
Xmax=100;
pop_size=100;%种群大小
iter_max=5000;%最大迭代次数
fhd=str2func('cec17_func');
[gbest,Fitness,Curve]= ROA(fhd,D,pop_size,iter_max,Xmin,Xmax,func_num);
figure
semilogy(Curve, 'LineWidth',1.5);
legend('ROA' );
xlabel('迭代次数');
ylabel('适应度值');
title(strcat('CEC2017-F',num2str(func_num)));

F1:

F2:

F3:

F4:

四、参考代码

源文件夹包含ROA求解CEC2017的所有代码，测试函数共30个。每个函数可选择维度分别为：10、30、50与100。直接点击main.m文件直接运行，支持二次开发。