一种新的全局数值优化的适应度-距离平衡随机分形搜索算法FDB-SFS附matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/matlab_daizuo/article/details/128886661

文章介绍了一种新的随机分形搜索(SFS)算法的改进方法，通过应用适应度-距离平衡(FDB)策略来提升算法的多样性和防止早熟收敛。实验结果证明，提出的FDBSFS算法在39个竞争算法中表现最佳，适用于复杂的全局数值优化问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器

信号处理图像处理路径规划元胞自动机无人机电力系统

⛄ 内容介绍

随机分形搜索 (SFS) 是一种新的原始元启发式搜索 (MHS) 算法，具有强大的基础。与许多其他 MHS 方法一样，SFS 算法在有效平衡开发-探索方面存在问题。为了达到这种平衡，需要提高其多样性能力。本文介绍了为加强 SFS 算法的多样性和平衡搜索能力而进行的研究。为此，SFS 算法的多样性算子采用一种称为适合度-距离平衡 (FDB) 的新方法设计，该方法更有效地模拟了分形在自然界中发生的方式。因此，具有更强搜索性能的FDBSFS算法应运而生。进行了全面的实验研究以测试和验证开发的基于 FDB 的 SFS 算法 (FDBSFS)。使用了 39 个新颖而强大的 MHS 算法、89 个无约束测试函数和 5 个约束工程问题。两个非参数检验，Wilcoxon 符号秩检验和 Friedman 检验，用于分析从实验研究中获得的结果。分析结果表明，FDB方法的应用在很大程度上消除了早熟收敛的问题，也有效地提供了开发-探索平衡。此外，所提出的 FDBSFS 算法在 39 个竞争算法中排名第一。使用了 89 个无约束测试函数和 5 个约束工程问题。两个非参数检验，Wilcoxon 符号秩检验和 Friedman 检验，用于分析从实验研究中获得的结果。分析结果表明，FDB方法的应用在很大程度上消除了早熟收敛的问题，也有效地提供了开发-探索平衡。此外，所提出的 FDBSFS 算法在 39 个竞争算法中排名第一。使用了 89 个无约束测试函数和 5 个约束工程问题。两个非参数检验，Wilcoxon 符号秩检验和 Friedman 检验，用于分析从实验研究中获得的结果。分析结果表明，FDB方法的应用在很大程度上消除了早熟收敛的问题，也有效地提供了开发-探索平衡。此外，所提出的 FDBSFS 算法在 39 个竞争算法中排名第一。分析结果表明，FDB方法的应用在很大程度上消除了早熟收敛的问题，也有效地提供了开发-探索平衡。此外，所提出的 FDBSFS 算法在 39 个竞争算法中排名第一。分析结果表明，FDB方法的应用在很大程度上消除了早熟收敛的问题，也有效地提供了开发-探索平衡。此外，所提出的 FDBSFS 算法在 39 个竞争算法中排名第一。

⛄ 部分代码

function index = fitnessDistanceBalance( population, fitness )

[~, bestIndex] = min(fitness);

best = population(bestIndex, :);

[populationSize, dimension] = size(population);

distances = zeros(1, populationSize);

normFitness = zeros(1, populationSize);

normDistances = zeros(1, populationSize);

divDistances = zeros(1, populationSize);

if min(fitness) == max(fitness)

index = randi(populationSize);

else

for i = 1 : populationSize

value = 0;

for j = 1 : dimension

value = value + abs(best(j) - population(i, j));

end

distances(i) = value;

end

minFitness = min(fitness); maxMinFitness = max(fitness) - minFitness;

minDistance = min(distances); maxMinDistance = max(distances) - minDistance;

for i = 1 : populationSize

normFitness(i) = 1 - ((fitness(i) - minFitness) / maxMinFitness);

normDistances(i) = (distances(i) - minDistance) / maxMinDistance;

divDistances(i) = normFitness(i) + normDistances(i);

end

[~, index] = max(divDistances);

end

⛄ 运行结果

⛄ 参考文献

Aras, Sefa, et al. “A Novel Stochastic Fractal Search Algorithm with Fitness-Distance Balance for Global Numerical Optimization.” Swarm and Evolutionary Computation, Elsevier BV, Dec. 2020, p. 100821, doi:10.1016/j.swevo.2020.100821.