基于加权对立和贪婪搜索多模态工程问题的黑猩猩优化算法（Matlab代码实现）

news2025/7/20 17:26:37

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

改进的黑猩猩优化算法（ChOA），该算法使用贪婪搜索（GS）和基于对立的学习（OBL）分别提高了ChOA在解决实际工程约束问题方面的探索和开发能力。为了研究GSOBL-ChOA的效率，通过23个标准基准函数、CEC06-2019的10个基准函数、随机生成的景观和12个实际的约束优化问题（COPs-2020）对GSOBL-ChOA的性能进行了评估，这些问题涉及广泛的工程领域，包括电力系统设计、综合和工艺设计、工业化学品生产商、电力电子设计、机械设计、和动物饲料配给。将研究结果与使用基准优化器（如CMA-ES和SHADE）获得的结果进行比较，作为最先进的优化技术和CEC竞赛的获胜者;标准 ChOA;OBL-GWO、OBL-SSA 和 OBL-CSA 作为基于 OBL 的最佳基准算法。为了进行全面评估，使用了三种非参数统计检验，包括威尔科克森秩和、邦弗朗尼-邓恩和霍尔姆以及弗里德曼平均秩检验。排名前两位的算法是GSOBL-ChOA和CMA-ES，在27个数学函数中分别得分为40分和11分。jDE100在100位挑战赛中获得了100分的最高分，紧随其后的是DISHchain1e+12，获得了97分的最高分，GSOBL-ChOA获得了93分的第四高分。最后，GSOBL-ChOA和CMA-ES在五个和四个实际COP中分别优于其他基准。

📚2 运行结果

部分代码：

clear all
clc

SearchAgents_no=30; % Number of search agents
N=SearchAgents_no;
Function_name='F1'; % Name of the test function that can be from F1 to F23 (Table 3,4,5 in the paper)

Max_iteration=500; % Maximum numbef of iterations
Max_iter=Max_iteration;

% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

[ABest_scoreChimp,ABest_posChimp,Chimp_curve]=GSOBLChOA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
[ChOA_gBestScore,PSO_gBest,ChOA_cg_curve]=ChOA(N,Max_iteration,lb,ub,dim,fobj);
[GWO_gBestScore,TACPSO_gBest,GWO_cg_curve]=GWO(N,Max_iteration,lb,ub,dim,fobj);
% [MPSO_gBestScore,MPSO_gBest,MPSO_cg_curve]=MPSO(N,Max_iteration,lb,ub,dim,fobj);

% PSO_cg_curve=PSO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); % run PSO to compare to results

figure('Position',[500 500 660 290])
%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(ChOA_cg_curve,'Color','g')
hold on
semilogy(GWO_cg_curve,'Color','b')
hold on
% semilogy(MPSO_cg_curve,'Color','y')
% hold on
semilogy(Chimp_curve,'--r')

title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');

axis tight
grid on
box on
legend('ChOA','GWO','GSOBLChOA')

% display(['The best optimal value of the objective funciton found by MPSO is : ', num2str(MCPSO_gBestScore)]);
display(['The best optimal value of the objective funciton found by GWO is : ', num2str(GWO_gBestScore)]);
display(['The best optimal value of the objective funciton found by ChOA is : ', num2str(ChOA_gBestScore)]);
display(['The best optimal value of the objective funciton found by GSOBLChOA is : ', num2str(ABest_scoreChimp)]);