改进蜣螂算法合集4原创+3复现，Python代码和MATLAB代码

有小伙伴后台不断留言，要求将推出的改进蜣螂算法的MATLAB语言变更为Python语言。话不多说，安排！

往期改进蜣螂算法的MATLAB对应原理介绍，可以跳转相应链接查看学习。

往期改进蜣螂算法：

多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略（原创）

改进蜣螂优化--采用莱维飞行和三角形游走策略（原创）

融合鱼鹰与自适应t分布的蜣螂优化算法(OTDBO)（原创，力荐）

随机游走与纵横交叉的蜣螂优化算法，精品力荐！MATLAB代码（原创，力荐）

改进正弦算法引导的蜣螂优化算法(MSADBO)（文献复现）

融合麻雀追随机制扰动与柯西变异的蜣螂优化算法，历史位置图，平均适应度收敛图一次性全部搞定，MATLAB代码（文献复现）

中科院一区论文复现，改进蜣螂算法，Fuch映射+反向学习+自适应步长+随机差分变异，MATLAB代码（文献复现）

14种混沌映射，python代码，可自由切换，以鲸鱼和蜣螂算法为例，方便应用于所有算法

本期重点就是将上述所有改进蜣螂算法的MATLAB语言改编为Python代码。

本期改进蜣螂算法目录如下：

二级目录为：

所需要的包为：

matplotlib~=3.8.2
numpy~=1.26.3
scipy~=1.12.0
opfunu~=1.0.1

结果展示

利用python强大的opfunu库，集成了CEC2005/2008/2010/2013等11个CEC函数库。

pip install opfunu  # 参考文档：https://github.com/thieu1995/opfunu

本期文章将改进的蜣螂算法与原始算法在多个CEC函数集上进行对比。并画出函数图像，迭代曲线。这里采用CEC2022展示各算法效果。

改进蜣螂(Fuch映射+反向学习+自适应步长+随机差分变异)

改进蜣螂(Fuch映射+反向学习+自适应步长+随机差分变异)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuWkpts
Matlab代码：
https://mbd.pub/o/bread/mbd-ZZuVlJZv

改进蜣螂(最优解的接受程度+麻雀追随机制+柯西高斯变异)

改进蜣螂(最优解的接受程度+麻雀追随机制+柯西高斯变异)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmplt
Matlab代码：
https://mbd.pub/o/bread/mbd-ZZiYkply

改进蜣螂(混沌初始化+三角形游走+莱维飞行)

改进蜣螂(混沌初始化+三角形游走+莱维飞行)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmplx
Matlab代码：
https://mbd.pub/o/bread/mbd-ZJ2VlpZt

改进蜣螂(混沌初始化+改进正弦引导+混合高斯柯西变异)

改进蜣螂(混沌初始化+改进正弦引导+混合高斯柯西变异)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmphv
Matlab代码：
https://mbd.pub/o/bread/mbd-ZJyVlJZu

改进蜣螂Python(随机游走+纵横交叉)

改进蜣螂Python(随机游走+纵横交叉)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmppq
Matlab代码：
https://mbd.pub/o/bread/mbd-ZZmclZ5x

改进蜣螂(混沌初始化+鱼鹰算法+t分布)

改进蜣螂(混沌初始化+鱼鹰算法+t分布)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmplv
Matlab代码：
https://mbd.pub/o/bread/mbd-ZZWTmZ1w

改进蜣螂算法(螺旋搜索+最优值引导+透镜反向学习)

改进蜣螂算法(螺旋搜索+最优值引导+透镜反向学习)
代码链接：
Python代码：
https://mbd.pub/o/bread/ZZuYmpht
Matlab代码：
https://mbd.pub/o/bread/mbd-ZJ6XmZZy

部分代码展示

import numpy as np
from matplotlib import pyplot as plt
# In[]:
import opfunu # 参考：https://github.com/thieu1995/opfunu
import copy  # 导入copy模块，用于对象的复制。
import math
'''
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, 50
cec2008：F1-F7,  可选 2 <= dim <= 1000
cec2010：F1-F20, 可选 100 <= dim <= 1000
cec2013：F1-F28, 可选 dim = 2, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100
cec2014：F1-F30, 可选 dim = 10, 20, 30, 50, 100
cec2015：F1-F15, 可选 dim = 10, 30
cec2017：F1-F29, 可选 dim = 2, 10, 20, 30, 50, 100
cec2019：F1-F10, 可选 dim: F1=9,F2=16,F3=18,其他=10
cec2020：F1-F10, 可选 dim = 2, 5, 10, 15, 20, 30, 50, 100
cec2021：F1-F10, 可选 dim = 2, 10, 20
cec2022：F1-F12, 可选 dim = 2, 10, 20

'''

'''边界检查函数'''
def boundary(pop, lb, ub):
    # 定义一个边界检查函数，确保种群中的个体不超出预定义的边界。
    pop = pop.flatten()
    lb = lb.flatten()
    ub = ub.flatten()
    # 将输入参数扁平化，以便进行元素级操作。

    # 防止跳出范围,除学习率之外 其他的都是整数
    pop = [int(pop[i]) if i > 0 else pop[i] for i in range(lb.shape[0])]
    # 将除了学习率以外的参数转换为整数。

    for i in range(len(lb)):
        if pop[i] > ub[i] or pop[i] < lb[i]:
            # 检查个体是否超出边界。
            if i == 0:
                pop[i] = (ub[i] - lb[i]) * np.random.rand() + lb[i]
                # 如果是学习率，则在边界内随机选择一个值。
            else:
                pop[i] = np.random.randint(lb[i], ub[i])
                # 对于整数参数，随机选择一个边界内的整数值。

    return pop
    # 返回修正后的个体。

''' 种群初始化函数 '''
def initial(pop, dim, ub, lb):
    # 定义一个初始化种群的函数。
    X = np.zeros([pop, dim])
    # 创建一个形状为[种群大小, 维度]的零矩阵。

    for i in range(pop):
        for j in range(dim):
            X[i, j] = np.random.rand() * (ub[j] - lb[j]) + lb[j]
            # 在边界内随机初始化每个个体的每个参数。

    return X, lb, ub
    # 返回初始化后的种群及边界。

'''计算适应度函数'''
def CaculateFitness(X):
    # 定义一个计算适应度的函数。
    pop = X.shape[0]
    # 获取种群的大小。
    fitness = np.zeros([pop, 1])
    # 创建一个形状为[种群大小, 1]的零矩阵来存储适应度。

    for i in range(pop):
        fitness[i] = cec_fun(X[i, :])
        # 对每个个体调用适应度函数进行计算。

    return fitness
    # 返回计算得到的适应度。

'''适应度排序'''
def SortFitness(Fit):
    # 定义一个对适应度进行排序的函数。
    fitness = np.sort(Fit, axis=0)
    # 按适应度大小进行排序。
    index = np.argsort(Fit, axis=0)
    # 获取排序后的索引。

    return fitness, index
    # 返回排序后的适应度和索引。

'''根据适应度对位置进行排序'''
def SortPosition(X, index):
    # 定义一个根据适应度排序位置的函数。
    Xnew = np.zeros(X.shape)
    # 创建一个与X形状相同的零矩阵。

    for i in range(X.shape[0]):
        Xnew[i, :] = X[index[i], :]
        # 根据适应度的排序结果重新排列位置。

    return Xnew
    # 返回排序后的位置

也可直接购买改进蜣螂算法全家桶

改进蜣螂python代码全家桶：

https://mbd.pub/o/bread/ZZuYmpts

改进蜣螂matlab代码全家桶：

https://mbd.pub/o/bread/ZZmVl5hv

温馨提示：老朋友也应该都知道了，关于蜣螂算法，作者也陆陆续续一直在发文。在此承诺，此全家桶一经购买，永久更新！以后只要有新的改进蜣螂算法，都会添加至此全家桶！购买的小伙伴也可以直接跳转这两个全家桶链接下载最新的！