智能优化算法:基于足球联赛优化的冠军算法 (Soccer league optimization-based championship algorithm )求解23个基准函数(提供MATLAB代码)

144 篇文章 8 订阅
144 篇文章 81 订阅

一、足球联赛优化的冠军算法

基于足球联赛优化的冠军算法 (Soccer league optimization-based championship algorithm ,SLOCA)由Mohammad R等人于2022年提出,该算法的灵感来自足球团队合作。该算法包括两个主要步骤:资格赛和主要比赛。

参考文献:

[1]Mohammad R. Ghasemi, Mehdi Ghasri and Abdolhamid Salarnia,Soccer league optimization-based championship algorithm (SLOCA):A fast novel meta-heuristic technique for optimization problems,Techno Press Services.Volume 7, Number 4, October 2022 , pages 297-319,DOI: Soccer league optimization-based championship algorithm (SLOCA): A fast novel meta-heuristic technique for optimization problems

二、23个函数介绍

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.

三、SLOCA求解23个函数

3.1部分代码

close all ;
clear
clc
Npop=30;                
Function_name='F1';     % Name of the test function that can be from F1 to F23 ( 
Tmax=300;              
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[Best_fit,Best_pos,Convergence_curve]=SLOCA(Npop,Tmax,lb,ub,dim,fobj);
figure('Position',[100 100 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
semilogy(Convergence_curve,'Color','r','linewidth',3)
title('Search space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on
legend('SLOCA')
saveas(gca,[Function_name '.jpg']);


display(['The best solution is ', num2str(Best_pos)]);
display(['The best fitness value is ', num2str(Best_fit)]);


3.2部分结果

四、完整MATLAB代码

文件夹夹内包含该算法求解23个函数的完整MATLAB代码,点击main.m即可运行。

  • 28
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
模糊C均值聚类算法是一种经典的聚类算法,它是基于模糊数学理论的,可以用来处理数据集中存在部分不确定性的情况。下面我将介绍一下如何使用模糊C均值聚类算法对中国足球进行聚类,并给出相应的Matlab代码。 1. 原理 模糊C均值聚类算法中,每个数据点都被赋予了一定的隶属度,表示该数据点属于各个聚类中心的可能性,而不是只属于其中一个聚类中心。具体地,设有m个数据点和n个聚类中心,第i个数据点到第j个聚类中心的隶属度为$u_{ij}$,则模糊C均值聚类算法的目标是最小化以下目标函数: $$J=\sum_{i=1}^m\sum_{j=1}^n(u_{ij})^m\|x_i-c_j\|^2$$ 其中,$x_i$为第i个数据点,$c_j$为第j个聚类中心,m为模糊指数,通常取值为2。 随着迭代次数的增加,每个数据点对于不同聚类中心的隶属度会发生变化,最终达到一种稳定状态,此时每个数据点都被归为某个聚类中心。 2. Matlab代码 下面是一份Matlab代码,用于实现模糊C均值聚类算法对中国足球进行聚类。 ```matlab %% 读取数据 data = xlsread('china_soccer.xlsx'); %% 初始化参数 m = 2; % 模糊指数 n = 3; % 聚类中心个数 max_iter = 100; % 最大迭代次数 tol = 1e-5; % 收敛阈值 %% 初始化隶属度矩阵U [m, ~] = size(data); U = rand(m, n); U = U ./ sum(U, 2); %% 迭代求解聚类中心和隶属度 for iter = 1:max_iter % 更新聚类中心 c = (U.^m)' * data ./ sum(U.^m)'; % 计算距离矩阵 dist = pdist2(data, c); % 更新隶属度矩阵 U_new = zeros(m, n); for i = 1:m for j = 1:n U_new(i, j) = 1 / sum((dist(i, :) ./ dist(i, j)).^(2/(m-1))); end end % 判断是否收敛 if norm(U_new - U, 'fro') < tol break; end U = U_new; end %% 输出聚类结果 [~, c_idx] = max(U, [], 2); for i = 1:n fprintf('Cluster %d: %d samples\n', i, sum(c_idx == i)); end ``` 在该代码中,我们首先读取了名为"china_soccer.xlsx"的数据文件,该文件包含了中国足球的相关数据。然后,我们初始化了模糊指数、聚类中心个数、最大迭代次数和收敛阈值等参数。接着,我们随机初始化了隶属度矩阵U,并迭代求解聚类中心和隶属度。最后,我们输出了聚类结果。 需要注意的是,该代码中的数据文件需要自行准备,其中的数据格式应该为一个m行n列的矩阵,其中m为样本个数,n为特征个数。在本例中,我们使用了中国足球的相关数据,其中包括每支球队的胜平负比赛数据、进球数、失球数等。 希望这份代码可以帮助你理解模糊C均值聚类算法的原理,并且成功地对中国足球进行聚类。
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