一种多策略改进小龙虾智能优化算法MSCOA 改进策略：种群混沌映射初始化+透镜成像反向学习+黄金正弦变异策略

一种多策略改进小龙虾智能优化算法MSCOA 改进策略：种群初始化精英反向+透镜成像反向学习+黄金正弦变异策略

一、小龙虾COA基本原理

小龙虾优化算法（Lobster Optimization Algorithm，LOA）是一种模拟小龙虾觅食行为的优化算法。其基本原理和步骤如下：

1. 初始化：

   • 随机生成小龙虾种群的位置（解）和速度。

2. 适应度评估：

   • 计算每只小龙虾的适应度值（目标函数值）。

3. 更新位置：

   • 小龙虾通过两种主要行为来更新位置：
     • 觅食行为：小龙虾在其当前位置附近搜索更好的解。
     • 社会行为：小龙虾根据邻近个体的位置调整自己的位置，以利用群体的知识。

4. 选择最优解：

   • 通过比较适应度值，选择当前最优的小龙虾解作为全局最优解。

5. 迭代：

   • 重复步骤2-4，直到达到最大迭代次数或满足停止准则。

6. 输出结果：

   • 输出最优解及其适应度值。

小龙虾优化算法的优点包括较强的全局搜索能力和较快的收敛速度，但其效率和效果依赖于具体问题和参数设置。

二、改进策略

2.1种群初始化 映射

六种映射可供选择
tent
chebyshev
Singer
Logistic
Sine
Circle

2.2 透镜成像反向学习

2.3 黄金正弦变异策略

三、实验结果

四、核心代码

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
% rng(24,'twister');      % 随机种子

%%  参数设置
SearchAgents = 30;                                % COApulation members 
Max_iterations = 500;                             % maximum number of iteration
number = 'F10';                                    % 选定优化函数，自行替换:F1~F23   
[lb,ub,dim,fobj] = Get_Functions_details(number); % [lb,ub,dim,fobj]：下界、上界、维度、目标函数表达式
 
%% 循环实验
for i = 1:2
%% MSCOA
[MSCOA_Best_score,MSCOA_Best_pos,MSCOA_cg_curve]=MSCOA(SearchAgents,Max_iterations,lb,ub,dim,fobj); 
MSCOA_fitness(i) = MSCOA_Best_score;
%% COA
[COA_Best_score,COA_Best_pos,COA_cg_curve]=COA(SearchAgents,Max_iterations,lb,ub,dim,fobj);
COA_fitness(i)= COA_Best_score;
end

%% 算法的最佳适应度值
% MSCOA
MSCOA_min_value = min(MSCOA_fitness);MSCOA_max_value = max(MSCOA_fitness);MSCOA_mean_value = mean(MSCOA_fitness);MSCOA_std_value = std(MSCOA_fitness);
MSCOA_result = [MSCOA_mean_value,MSCOA_min_value,MSCOA_std_value];
disp('---------------------------MSCOA--------------------------------')
disp(['MSCOA平均值：', num2str(MSCOA_mean_value)])
disp(['MSCOA最优值：', num2str(MSCOA_min_value)])
disp(['MSCOA标准差：', num2str(MSCOA_std_value)])

% COA
COA_min_value = min(COA_fitness);COA_max_value = max(COA_fitness);COA_mean_value = mean(COA_fitness);COA_std_value = std(COA_fitness);
COA_result =  [COA_mean_value,COA_min_value,COA_std_value];
disp('---------------------------COA--------------------------------')
disp(['COA平均值：', num2str(COA_mean_value)])
disp(['COA最优值：', num2str(COA_min_value)])
disp(['COA标准差：', num2str(COA_std_value)])

%% 把结果保存
columnNames = {'平均值', '最优值', '标准差'};
RowNames = {'MSCOA', 'COA'};
result = [MSCOA_result',COA_result'];

%% 保存适应度函数
curve = [MSCOA_cg_curve' COA_cg_curve'];

%% 绘图
figure1 = figure('Color',[1 1 1]);
G1=subplot(1,2,1,'Parent',figure1);
func_plot(number)
title(number)
xlabel('x')
ylabel('y')
zlabel('z')
subplot(1,2,2)
G2=subplot(1,2,2,'Parent',figure1);
CNT=20;
k=round(linspace(1,Max_iterations,CNT)); %随机选CNT个点
% 注意：如果收敛曲线画出来的点很少，随机点很稀疏，说明点取少了，这时应增加取点的数量，100、200、300等，逐渐增加
% 相反，如果收敛曲线上的随机点非常密集，说明点取多了，此时要减少取点数量
iter=1:1:Max_iterations;
if ~strcmp(number,'F16')&&~strcmp(number,'F9')&&~strcmp(number,'F11')  %这里是因为这几个函数收敛太快，不适用于semilogy，直接plot
    semilogy(iter(k),MSCOA_cg_curve(k),'r-','linewidth',1);
    hold on
    semilogy(iter(k),COA_cg_curve(k),'g-','linewidth',1);
else
    plot(iter(k),MSCOA_cg_curve(k),'r-','linewidth',1);
    hold on
    plot(iter(k),COA_cg_curve(k),'g-','linewidth',1);
end
grid on;
title('收敛曲线')
xlabel('迭代次数');
ylabel('适应度值');
box on
legend('MSCOA','COA')
set (gcf,'position', [300,300,800,330])

五、代码获取

99

六、总结

包括但不限于
优化BP神经网络，深度神经网络DNN，极限学习机ELM，鲁棒极限学习机RELM，核极限学习机KELM，混合核极限学习机HKELM，支持向量机SVR，相关向量机RVM，最小二乘回归PLS，最小二乘支持向量机LSSVM，LightGBM，Xgboost，RBF径向基神经网络，概率神经网络PNN，GRNN，Elman，随机森林RF，卷积神经网络CNN，长短期记忆网络LSTM，BiLSTM，GRU，BiGRU，TCN，BiTCN，CNN-LSTM，TCN-LSTM，BiTCN-BiGRU，LSTM–Attention，VMD–LSTM，PCA–BP等等

用于数据的分类，时序，回归预测。
多特征输入，单输出，多输出