python:五种算法(HHO、WOA、GWO、PSO、GA)求解23个测试函数(python代码)

一、五种算法简介

1、哈里斯鹰优化算法HHO

2、鲸鱼优化算法WOA

3、灰狼优化算法GWO

4、粒子群优化算法PSO

5、遗传算法GA

二、5种算法求解23个函数

(1)23个函数简介

参考文献:

[1] Yao X, Liu Y, Lin G M. Evolutionary programming made faster[J]. IEEE transactions on evolutionary computation, 1999, 3(2):82-102.

(2)部分python代码

from FunInfo import Get_Functions_details
from WOA import WOA
from GWO import GWO
from PSO import PSO
from GA import GA
from HHO import HHO
import matplotlib.pyplot as plt
from func_plot import func_plot
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
#主程序
function_name =8 #测试函数1-23
SearchAgents_no = 50#种群大小
Max_iter = 100#迭代次数
lb,ub,dim,fobj=Get_Functions_details(function_name)#获取问题信息
BestX1,BestF1,curve1 = WOA(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解
BestX2,BestF2,curve2 = GWO(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解
BestX3,BestF3,curve3 = PSO(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解
BestX4,BestF4,curve4 = GA(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解
BestX5,BestF5,curve5 = HHO(SearchAgents_no, Max_iter,lb,ub,dim,fobj)#问题求解
#画函数图
func_plot(lb,ub,dim,fobj,function_name)#画函数图
#画收敛曲线图
Labelstr=['WOA','GWO','PSO','GA','HHO']
Colorstr=['r','g','b','k','c']
if BestF1>0:
    plt.semilogy(curve1,color=Colorstr[0],linewidth=2,label=Labelstr[0])
    plt.semilogy(curve2,color=Colorstr[1],linewidth=2,label=Labelstr[1])
    plt.semilogy(curve3,color=Colorstr[2],linewidth=2,label=Labelstr[2])
    plt.semilogy(curve4,color=Colorstr[3],linewidth=2,label=Labelstr[3])
    plt.semilogy(curve5,color=Colorstr[4],linewidth=2,label=Labelstr[4])
else:
    plt.plot(curve1,color=Colorstr[0],linewidth=2,label=Labelstr[0])
    plt.plot(curve2,color=Colorstr[1],linewidth=2,label=Labelstr[1])
    plt.plot(curve3,color=Colorstr[2],linewidth=2,label=Labelstr[2])
    plt.plot(curve4,color=Colorstr[3],linewidth=2,label=Labelstr[3])
    plt.plot(curve5,color=Colorstr[4],linewidth=2,label=Labelstr[4])


plt.xlabel("Iteration")
plt.ylabel("Fitness")
plt.xlim(0,Max_iter)
plt.title("F"+str(function_name))
plt.legend()
plt.savefig(str(function_name)+'.png')
plt.show()
#

(3)部分结果

三、完整python代码

  • 12
    点赞
  • 4
    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)是一种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,实际使用时可能需要根据具体问题进行适当的修改和调整。
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