基于蜘蛛黄蜂优化器 (SWO)求解单目标优化问题附matlab代码

✅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        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

​蜘蛛黄蜂优化器 (SWO) 是一种受自然启发的元启发式算法，它基于复制自然界中雌性蜘蛛黄蜂的狩猎、筑巢和交配行为。该算法具有多种独特的更新策略，使其适用于具有不同探索和开发要求的广泛优化问题。拟议的 SWO 在四个不同的基准上与九个新发布和完善的元启发式进行了比较：（1）标准基准，包括 23 个单峰和多峰测试函数；（2）CEC2017测试套件，（3）CEC2020测试套件，（4）CEC2014测试套件，验证其可靠性。此外，两个经典的工程设计问题，即焊接bean和压力容器设计，以及单二极管、双二极管的参数估计，和三二极管光伏模型用于进一步评估 SWO 在优化实际优化问题中的性能。实验结果表明，与四个经过验证的基准的最先进的元启发式方法相比，SWO 更具竞争力，并且优于所有观察到的现实世界优化问题。

⛄ 部分代码

clear all 

close all

clc

N=100; % Number of search agents

Function_name='F2'; % Name of the test function, range from F1-F23

iter=200; % Maximum number of iteration times

% Load details of the selected benchmark function

[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

lb=lb*ones(1,dim);

ub=ub*ones(1,dim);

[Destination_fitness,bestPositions,Convergence_curve]=SWO(N,iter,lb,ub,dim,fobj);

%Draw objective space

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);

hold on

semilogy(Convergence_curve,'Color','b','LineWidth',2);

title('Convergence curve')

xlabel('Iteration');

ylabel('Best fitness obtained so far');

axis tight

grid on

box on

legend('SWO')

display(['The best location of SWO is: ', num2str(bestPositions)]);

display(['The best fitness of SWO is: ', num2str(Destination_fitness

⛄ 运行结果

⛄ 参考文献

Main paper: Abdel-Basset, M., Mohamed, R., Jameel, M., & Abouhawwash, M. (2023). Spider wasp optimizer: a novel meta-heuristic optimization algorithm. Artificial Intelligence Review.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料