计算智能第一次实验--智能优化算法（GrieWank函数）

一、实验任务目的

1. 掌握Matlab基本脚本程序设计
2. 熟悉Matlab典型数据分析方法
3. 熟悉Matlab基本绘图函数使用
4. 掌握智能优化算法的性能评估方法

二、实验任务内容

问题描述：某智能优化算法A和算法B在求解Griewank函数的最小数值时,各自独立重复运行了30次，每次算法运行迭代1000代，算法测试过程中得到的所有数据分别存放在矩阵dataA和矩阵dataB中。dataA和dataB均为30行1000列的矩阵，矩阵的每行代表1次测试记录，30行代表30次测试记录，每次测试记录里存放了算法循环迭代1000代的函数数值结果（由于算法在寻找函数的全局最小值问题，因此这1000个数值数据呈现由大到小排列的趋势）。

任务要求：请采用matlab模拟生成数据dataA和dataB（或基于真实算法生成），然后基于这两组数据分析比较算法的性能。
1. 绘制基准测试Griewank函数在二维和三维空间的函数图形，分析该函数在不同维度下的特点；
2. 统计分析智能优化算法A和B在30次实验测试中获得的30个最优函数值的结果的均值，方差，最大，最小，中位数，数据可采用表格呈现；
3. 绘制算法测试结果的统计箱图，要求图中至少包括图形标题，横坐标标题，纵坐标标题等内容，图片保存为png格式；
4. 绘制算法A和算法B的平均收敛曲线（基于矩阵dataA和矩阵dataB内的数据），要求不同曲线使用不同的颜色、线型、和标记符号；
5. 基于算法A和算法B得到的30次最佳实验结果，分析两种算法的求解性能是否具有显著差异性；
    提示：可以借助matlab里的ranksum函数或ttest函数，及矩阵dataA和矩阵dataB的的最后一列数据进行分析
6. 结合上述实验数据和图表分析两个算法的综合性能差异，按照计算智能课程实验报告模板并撰写带有完整数据和图表的实验报告；
7. 实验报告后面附录里需要附上本次matlab脚本程序代码，并用highlight代码高亮软件转码后粘贴到word。

三、实验实现过程

3.1任务1 生成Griewank函数图像

打开MATLAB，我用的R2018b版本，打开之后新建一个脚本，如图所示：