智能算法终极大比拼,以CEC2005测试函数为例,十种智能算法直接打包带走

CEC2005:12种算法跑23个经典基准函数输出和自动保存评价指标(matlab代码) 12种算法跑CEC2005测试集并且输出评价指标,CEC2005是最经典的的测试集,包括23个测试函数。算法是独立的.m文件,方便管理和二次开发,所有main函数均加上了详细中文注释。点击 main_single 运行单个算法,点击 main_compare 运行12个算法并且绘制收敛曲线,点击 main_indicator 代码重复运行30次并且保存平均收敛曲线和相关指标,一次性跑完所有函数,保存所有评价指标和收敛曲线,评价指标包括平均值、标准差、秩和检验p值、Friedman值、Friedman排名。 阅读详情
AI摘要

该文介绍了包括人工蜂群、灰狼、差分进化等在内的十种优化算法,并在CEC2005函数集上进行了测试。通过对比不同算法的性能,展示了各种算法的收敛曲线,为读者提供了直观的比较。文章特别提到了DE算法和麻雀优化算法的实现代码片段。

包含人工蜂群(ABC)、灰狼(GWO)、差分进化(DE)、粒子群(PSO)、麻雀优化(SSA)、蜣螂优化(DBO)、白鲸优化(BWO)、遗传算法(GA)、粒子群算法(PSO),基于反向动态学习的差分进化算法,共十种算法,直接一文全部搞定!

由于上一篇代码,很多小伙伴留言,说出现了函数安装等运行问题。因此才决定写一篇CEC2005版本的。这个版本的函数无需c++编译器即可使用。

这里说句题外话,函数安装的问题其实在matlab被禁之前,是很好解决的,直接在附加功能添加附件即可。但是被禁之后,安装mingw或者c++编译器,很多刚入门的小伙伴不太会。当然网上有很多教程可以解决,但是咱们的主题是学会智能算法的使用,这里就不再介绍编译器的安装问题啦。

c82a6e3d63bf4eee9e66750766143a85.png

回归正题!CEC2005函数在很多论文中也有提及,毕竟是最经典的国际公认函数测试范例。下面依然是继承上一篇文章的十种智能算法进行测试,没看过这篇文章的小伙伴可以看这里:智能算法终极大比拼,以CEC2017测试函数为例,十种智能算法直接打包带走,不含任何套路!_今天吃饺子的博客-优快云博客

以CEC2005函数为例,我随意选择了几个函数,每个算法迭代了500次,先上结果图:

582062f4ad524788a8489b772b808383.png8dc0543a9ea5463bb59b71a140454939.png 

0d67d5a207a8452e8c37fd33632f513d.png 0a5123930eed4ecab2f96c3d05e8a360.png 

 ccee14954dd54887b0f82295683acdf6.png586737806762436fa95f5e6f082048e8.png

 以上几个函数,都是我随机选择的,其他函数我没有一一测试。

接下来到了最关键的上代码阶段!但是,无奈10个算法代码量实在是太大了,这里就截取部分代码啦!

%%
clear
clc
close all
addpath(genpath(pwd));
number='F5'; %选定优化函数,自行替换:F1~F23
% [lb,ub,D,y]:下界、上界、维度、目标函数表达式
[lb,ub,D,y]=CEC2005(number);  

N=50; %种群规模
T=500; %最大迭代次数

%%  各类算法  (N,T,lb,ub,D,y)
[OBLDEfMin,OBLDEbestX,OBLDE_curve]=OBL_impDE(y,N,T,lb,ub,D);   %动态反向学习的DE算法
[DEfMin,DEbestX,DE_curve]=DE(y,N,T,lb,ub,D);      %DE算法
[Alpha_score,Alpha_pos,GWO_curve]=GWO(y,N,T,lb,ub,D);   %灰狼算法
pso_curve=PSO(y,N,T,lb,ub,D);  %粒子群算法
[bestchrom,GA_trace]=ga(y,N,T,lb,ub,D); %遗传算法
ABC_trace = ABC(y,N,T,lb,ub,D);      %人工蜂群
[CSO_Best_score,CSO_Best_pos,cso_trace] = CSO(y,N,T,lb,ub,D);  %鸡群算法
[fMin,bestX,DBO_curve]=DBO(y,N,T,lb,ub,D);       %蜣螂优化
[BWO_Best_pos,BWO_Best_score,BWO_curve] = BWO(y,N,T,lb,ub,D);   %白鲸优化算法
%% 麻雀
%设置SSA算法的参数
Params.nVar=D;                           % 优化变量数目
Params.VarSize=[1 Params.nVar];          % Size of Decision Variables Matrix
Params.VarMin=lb;      % 下限值,分别是a,k
Params.VarMax=ub;        % 上限值
Params.MaxIter=T;       % 最大迭代数目
Params.nPop=N;        % 种群规模
[particle3, GlobalBest3,SD,GlobalWorst3,Predator,Joiner] =  SSAInitialization(y,Params,'SSA');  %初始化SSA参数
[GlobalBest,SSA_curve] =  SSA(y,GlobalBest3,GlobalWorst3,SD,Predator,Joiner,Params);  %采用SSA参数优化VMD的两个参数
%由于麻雀算法是将各个参数放进了一个结构体,这里作者不想再去折腾改了,因此麻雀算法单独设计。

%% 画图
CNT=50;
k=round(linspace(1,T,CNT)); %随机选50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:T;
semilogy(iter(k),ABC_trace(k),'m-x','linewidth',1);
hold on
semilogy(iter(k),GA_trace(k),'Color',[0.6350 0.0780 0.1840],'Marker','d','LineStyle','-','linewidth',1);
hold on
semilogy(iter(k),pso_curve(k),'r-x','linewidth',1);
hold on
semilogy(iter(k),SSA_curve(k),'Color',[0.1 0.3780 0.66],'Marker','+','LineStyle','-.','linewidth',1);
hold on
semilogy(iter(k),GWO_curve(k),'Color',[0.9 0.1 0.6],'Marker','*','LineStyle','-','linewidth',1);
hold on
semilogy(iter(k),cso_trace(k),'Color',[0.1 0.1 0.5],'Marker','p','LineStyle','--','linewidth',1);
hold on
semilogy(iter(k),DBO_curve(k),'Color',[0.6 0.5 0.9],'Marker','x','LineStyle','--','linewidth',1);
hold on
semilogy(iter(k),BWO_curve(k),'Color',[0.7 0.1 0.7],'Marker','>','LineStyle','--','linewidth',1);
hold on
semilogy(iter(k),DE_curve(k),'Color',[0.1 0.6 0.6],'Marker','o','LineStyle','-','linewidth',1);
hold on
semilogy(iter(k),OBLDE_curve(k),'g-x','linewidth',1);
grid on;
title(['函数收敛曲线',number])
xlabel('Iterations');
ylabel('Objective function value');
box on
legend('ABC','GA','PSO','SSA','GWO','CSO','DBO','BWO','DE','OBLDE')

 DE算法:

function [min_f,min_x,trace]=DE(y,NP,G,c,d,D)

%%%%%%%%%%%%%%%%%%%%%%%%设置参数%%%%%%%%%%%
F = 0.8;%变异算子
CR = 0.1;%交叉算子
Xx= c.*ones(1,D );    % Lower limit/bounds/     a vector
Xs= d.*ones(1,D);    % Upper limit/bounds/     a vector
% Xs = repelem(20,D);%变量取值最大
% Xx = repelem(-20,D);%变量取值最小
yz = 1e-6;%阈值

%%%%%%%%%%%%%%%%%%%%%%%%初始化种群%%%%%%%%%%%
x = zeros(NP,D);%初始种群
v = zeros(NP,D);%变异种群
u = zeros(NP,D);%选择种群
% x = Xx+rand(NP,D)*(Xs-Xx);%赋初值
x=initialization(NP,D,Xs,Xx);
%%%%%%%计算目标函数%%%%%%
Ob = zeros(NP,1);%初始化Ob用来存储种群函数值
for m=1:NP
    Ob(m) = y(x(m,:));

end
trace = zeros(G+1,1);%存储每代种群函数值最小
trace(1) = min(Ob);

%%%%%%%%%%%%%%差分进化循环%%%%%%%%%%%%%
for gen=1:G
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%变异操作%%%%%%%%%%%%%%%%%%%%%%%%%%%
%     %%%%%%%%%自适应变异算子%%%%%%%%%%%%%%
%     lambda = exp(1-G/(G+1-gen));
%     F = F0*2^lambda;
    %%%%%%%%%r1,r2,r3和m互不相同%%%%%%%%%%%
    for m=1:NP
        r = randperm(NP,3);%在种群中随机选择三个序号作为r1,r2,r3
        r1 = r(1);
        r2 = r(2);
        r3 = r(3);
        v(m,:) = x(r1,:) + F*(x(r2,:)-x(r3,:));
    end
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%交叉操作%%%%%%%%%%%%%%%%%%%%%%%%%%%
    r = randperm(D,1);%随机确定一个维度
    for n=1:D
        cr = rand(1);%产生一个随机数
        if (cr<CR) || (n==r)
            u(:,n) = v(:,n);
        else
            u(:,n) = x(:,n);
        end
    end
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%边界条件的处理%%%%%%%%%%%%%%%%%%%%%%%%%%%
    for n=1:D
        for m=1:NP
            if (u(m,n)<Xx(n)) || (u(m,n)>Xs(n))
                u(m,n) = rand*(Xs(n)-Xx(n))+Xx(n);%超出边界重新赋值
            end
        end
    end
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%选择操作%%%%%%%%%%%%%%%%%%%%%%%%%%%
    Ob1 = zeros(NP,1);
    for m=1:NP
        Ob1(m) = y(u(m,:));

    end
    for m=1:NP
        if Ob1(m)<Ob(m)
            x(m,:) = u(m,:);
        end
    end
    
    %求第G+1代x的值
    for m=1:NP
                Ob(m) =y(x(m,:));

    end
    trace(gen+1) = min(Ob);
%     if min(Ob)<yz
%         break;
%     end
end
[min_f,min_Index] = min(Ob);%找到Ob中最小的值和位置
min_x = x(min_Index,:);%对应最优值的解
end

 麻雀优化算法:

function [ GlobalBest,BestCost] =SSA (y,GlobalBest,GlobalWorst,SD,Predator,Joiner,Params)

MaxIter = Params.MaxIter;
nPop = Params.nPop;
VarMin = Params.VarMin;
VarMax = Params.VarMax;
VarSize = Params.VarSize;
nVar=2;%size(VarSize,2);
BestCost = zeros(1,MaxIter);

%% Main loop
for i = 1:MaxIter
    for j = 1:length(Predator)
        alarm =  randn ;
        ST = randn;
        if alarm < ST
            Predator(j).Position = Predator(j).Position .* exp( -j /MaxIter);
        else
            Predator(j).Position = Predator(j).Position + randn * ones(VarSize);
        end
        Predator(j).Position = max(VarMin,Predator(j).Position);
        Predator(j).Position = min(VarMax,Predator(j).Position);

           Predator(j).Cost =y(Predator(j).Position);

      
    end
      [~,idx] = min([Predator.Cost]);
      BestPredator = Predator(idx);
    % 加入者更新
    for j = 1: nPop - length(Predator)
        if j + length(Predator)> nPop/2
            Joiner(j).Position =  randn .* exp( (GlobalWorst.Position - Joiner(j).Position) / j^2);
            
        else
            A = randi([0,1],1,nVar);
            A(~A) = -1;
            Ahat = A' / (A * A');
                Joiner(j).Position = BestPredator.Position + abs(Joiner(j).Position - BestPredator.Position) * Ahat * ones(VarSize);  
        end
        Joiner(j).Position = max(VarMin,Joiner(j).Position);
        Joiner(j).Position = min(VarMax,Joiner(j).Position);
  
        Joiner(j).Cost =y(Joiner(j).Position);

    end
    
    % 警觉者更新
    for j = 1:length(SD)
        if SD(j).Cost > GlobalBest.Cost
            SD(j).Position = GlobalBest.Position + randn * abs( SD(j).Position - GlobalBest.Position);
        
        elseif SD(j).Cost == GlobalBest.Cost
            SD(j).Position = SD(j).Position + (rand*2-1) * (abs( SD(j).Position - GlobalWorst.Position)./ ((SD(j).Cost - GlobalWorst.Cost) + 0.001));
        end
        SD(j).Position = max(VarMin,SD(j).Position);
        SD(j).Position = min(VarMax,SD(j).Position);


    end
  
    
    
% 更新
particle = [Predator;Joiner;SD];
for m = 1:length(particle)
    if GlobalBest.Cost > particle(m).Cost
        GlobalBest = particle(m);
    end
    if GlobalWorst.Cost < particle(m).Cost
        GlobalWorst = particle(m);
    end
end
 
BestCost(i) = GlobalBest.Cost;
 
% disp(['当前迭代',num2str(i), '最优值为: ', num2str(GlobalBest.Cost)])
%    disp(['第',num2str(i),'次寻优的适应度值为:',num2str(BestCost(i))])
%     disp(['第',num2str(i),'次寻优的最佳位置为:[',num2str(GlobalBest.Position),']'])

end

%% Results

% figure;
% %plot(BestCost,'LineWidth',2);
% semilogy(BestCost,'LineWidth',2);
% xlabel('Iteration');
% ylabel('Best Cost');
% grid on;
end

关键词:大比拼,优化算法,下方卡片任选其一回复。

欢迎大家评论区留言哦!

【智能算法】CEC2005测试集:优化算法性能评估的黄金标准与实践指南 本文深入解析CEC2005测试集作为优化算法性能评估的黄金标准,涵盖单峰、多峰及复合函数三大类别的实战测试方法。通过智能算法在CEC2005测试集上的表现对比,揭示不同算法的优劣与适用场景,为研究者提供全面的性能评估指南和避坑建议。 阅读详情

相关推荐

CEC2005优化算法性能大比拼:12种智能算法在23个基准函数上的MATLAB实现与指标分析

本文提供了一套完整的MATLAB代码,用于对12种智能优化算法在CEC2005基准测试集上进行全面的性能评测。该代码实现了从单算法测试到多算法横向对比的一键化操作,自动计算平均值、标准差、Friedman排名等关键评价指标,并生成可视化图表,为算法研究与论文撰写提供高效、严谨的实验工具。

weixin_29171129的博客 414

【智能算法】CEC2005测试集

IEEE 国际进化计算大会(IEEE Congress on Evolutionary Computation,IEEE CEC)是进化计算领域中规模最大、影响最重要的会议之一。为了公平评估算法的优化性能,该会议在优化竞赛中提出了单目标实参数数值优化竞赛的问题定义和评估标准。所有新型的进化算法和基于群体的算法都会统一对单目标基准问题进行测试。是用于评估和比较优化算法性能的标准函数集合,这些函数通常具有已知的最优解或者近似最优解,可以用来测试优化算法的搜索能力、收敛速度和准确性。

Logic_9527的博客 1万+

智能算法避坑指南:改进蜣螂算法在CEC2005测试中的5个关键发现

本文深入探讨了改进蜣螂算法(IDBO)在CEC2005测试中的五大关键发现,包括Fuch映射、反向学习、自适应步长和随机差分变异策略的应用。通过系统评测,IDBO在高维复杂问题中展现出显著的收敛速度和全局搜索能力提升,为工程优化和机器学习参数调优提供了有效解决方案。

2y3u4i5o6p的博客 844

CEC2005:星雀优化算法(Nutcracker optimizer algorithm,NOA)求解CEC2005(提供MATLAB代码)

星雀优化算法(Nutcracker optimizer algorithm,NOA)由Mohamed Abdel-Basset等人于2023年提出,该算法模拟星雀的两种行为,即:在夏秋季节收集并储存食物,在春冬季节搜索食物的存储位置。

IT猿手 8870

cec2005测试集,评估算法

包含input_data

演化计算无约束优化问题测试集CEC 2005 Real Parameter single objective

CEC 2005 Special Session/Competition on Evolutionary Real Parameter single objective optimization

从单峰到多峰:CEC2005测试函数如何塑造智能算法的进化之路

本文探讨了CEC2005测试函数在智能算法发展中的关键作用。这套包含23个从单峰到多峰结构的测试集,为算法研发提供了全面的评估标准,推动了智能算法在全局搜索、局部开发和维度扩展等方面的创新。文章详细分析了不同算法在CEC2005上的表现,并介绍了基于该测试集的混合策略和自适应技术等改进方法。

tgb3456789的博客 718

CEC2005.rar_cec 2005_cec2005 matlab_多峰测试函数_测试函数CEC2005_测试函数MATLA

CEC2005测试源代码,可测试优化算法的性能,单峰,多峰,混合函数。

【智能算法】保姆级教程-如何使用CEC测试集,以及如何定义自己的优化问题

这里举例minfx1x2sinx1x22minfx1​x2​sinx1​x22​首先编写目标函数fun.m:有约束问题一般采用罚函数法将约束问题转为无约束问题,其思想是当优化变量不满足约束时进行惩罚。这里举例min⁡fx1x2sinx1x22stx1x212x1−x20\\⎩⎨⎧​minfx1​x2​sinx1​x22​st。

Logic_9527的博客 4120

CEC2005测试函数(基于matlab编写)

内涵优化函数CEC2005基于matlab编写的25个函数,使用者直接调用该函数即可。

matlab:单目标测试集CEC2005代码

CEC2005是单目标测试集中比较常见的使用测试集,该资源经过测试,完全满足函数的表达式,各项数据文件都提供完整。CEC2005的文章链接如下:https://www.researchgate.net/publication/235710019_Problem_Definitions_and_Evaluation_Criteria_for_the_CEC_2005_Special_Session_on_Real-Parameter_Optimization

最全CEC函数测试集,MATLAB代码,终于来啦!

值此佳节,小淘祝福大家,中秋节快乐!中秋节就不要再卷了,这篇文章可以浅浅收藏起来,节后再看哈!后台有很多小伙伴私信,说想要CEC函数测试集,今天小淘就为大家带来了几套常用的CEC函数测试集!包含如下:CEC2005,CEC2006,CEC2010,CEC2013,CEC2014,CEC2016,CEC2017,CEC2019,CEC2020,CEC2021,CEC2022。下面简单介绍下每个函数集...

淘个代码 1万+

ESP32-IDF HTTP服务器实战:从零搭建Web控制界面

本文详细介绍了如何在ESP32平台上使用ESP-IDF框架从零搭建HTTP服务器,并创建Web控制界面。内容涵盖环境配置、服务器基础设置、Web页面处理、GPIO控制接口实现及AJAX异步请求处理,帮助开发者快速掌握物联网设备Web控制开发。

efc123456的博客 1063

Matlab实战:5分钟搞定CEC2022测试函数编译与调用(附常见错误排查)

本文提供了一份详细的Matlab实战指南,帮助研究者在5分钟内完成CEC2022测试函数的编译与调用。文章涵盖了从环境配置、核心编译命令到常见错误排查的全流程,并重点介绍了如何将编译好的函数无缝集成到粒子群、遗传算法等种群智能优化算法中进行性能评估。

q6r7s8t9的博客 1074

RK3588工业开发板实战:如何用IgH EtherCAT主站精准控制伺服电机(附完整代码)

本文详细介绍了如何利用RK3588工业开发板和IgH EtherCAT主站实现伺服电机的精准控制。从硬件选型、实时内核配置到EtherCAT主站安装和核心代码实现,提供了一套完整的工业自动化解决方案,特别适合需要高精度运动控制的场景。

pca5navigator的博客 973

计算机组成原理(第三版)唐朔飞-第五章输入输出系统-课后习题

计算机组成原理(第三版)唐朔飞-第五章输入输出系统-课后习题

weixin_45735391的博客 6万+

这效果直接起飞!基于莱维飞行的量子粒子群,在CEC2005和CEC2017函数上跑

今天为大家带来的智能优化算法是:基于莱维飞行的量子粒子群。写此代码的初衷是收到后台小伙伴的留言,需要量子粒子群在CEC2017函数上跑,结果,作者写完之后,发现量子粒子群的效果虽然相较于原始的粒子群略有改善,但是改善的程度很小。寻思就这么出一期文章,也太敷衍大家了,于是乎---作者就将莱维飞行加入到量子粒子群中,结果发现,效果还是不错滴。这里多说一句,也是与身边的一位科研大佬(兼红颜知己)(在硕士...

淘个代码 1411

[Python人工智能] 三十六.基于Transformer的商品评论情感分析 (2)keras构建多头自注意力(Transformer)模型

本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章利用Keras构建深度学习模型并实现了情感分析。这篇文章将介绍Transformer基础知识,并通过Keras构建多头自注意力(Transformer)模型,实现IMDB电影影评数据情感分析。基础性文章,希望对您有所帮助!...

杨秀璋的专栏 4910

CEC2005优化算法性能评估:12种智能算法在23个基准函数上的MATLAB实现与指标分析

本文提供了一个全面的MATLAB工具箱,用于在CEC2005标准测试集上评估12种智能优化算法的性能。通过实现PSO、DE、GA等算法在23个基准函数上的自动化测试,并计算平均值、标准差、Friedman排名等关键评价指标,为算法性能提供了严谨的量化分析框架,助力科研人员高效完成算法“体检”与对比研究。

prometheus9mon的博客 222

小米汽车车载多摄像头视频链路深度解析 | MAX96792/MAX96724/MAX96781 实战分享

通过合理的输入输出规划 + 虚拟通道管理 + 加串行策略,可以在成本和性能之间取得最佳平衡,这就是多摄像头系统设计的核心精髓。

weixin_43199439的博客 1553

数字 IC 笔试面试必考点(1)FPGA 芯片架构

FPGA 芯片架构是非常重要的,如果你不了解 FPGA 芯片内部的详细架构,那么...

新芯设计的博客 2815

【智能算法】果蝇算法(FOA)原理及实现

2011年,Pan受到果蝇搜索食物自然行为的启发,提出了果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)。确定食物位置,食物的距离影响气味的浓度。每次搜寻果蝇的位置会根据气味最浓的果蝇位置附近进行随机游走。由于事先不知道食物的具体位置,因此根据计算果蝇与原点的距离,气味浓度与距离呈反比。将浓度判定值代入适应度函数计算得到气味浓度值。以CEC2005测试函数为例。只果蝇位置处的浓度判定值。这里将求解问题中的解向量。

Logic_9527的博客 3735

ANSYS专题-利用ANSYS SIwave进行PCB板的EMS仿真

本文详细描述了使用ANSYSSIwave进行电路板电磁敏感度(EMS)仿真的完整流程。主要步骤包括:导入AD软件生成的IPC2581文件,检查PCB叠层和电路参数,为敏感网络设置50欧姆端口并指定GND为参考网络,进行验证检查后设置频段范围和入射波类型(单/多入射、极化方式等),最后启动仿真并查看选定网络的EMS感应电压曲线。该过程提供了从文件准备到结果分析的全套操作指南,适用于评估电路板在电磁干扰环境下的性能表现。

whm128的博客 3626

【改进差分优化算法L-SHADE-cnEpSin】差分进化算法(DE)及其变体L-SHADE-cnEpSin在CEC2005函数寻优的对比研究(Matlab代码实现)

本文聚焦于差分进化算法(DE)及其变体L-SHADE-cnEpSin在CEC2005函数集上的寻优性能对比研究。DE作为经典的全局优化算法,通过变异、交叉和选择操作实现种群进化。L-SHADE-cnEpSin作为DE的改进变体,引入余弦惯性权重、扰动正弦函数及协同进化策略,显著提升了算法的适应性和鲁棒性。通过在CEC2005测试集上的实验对比,分析两者在收敛速度、解的质量及稳定性方面的差异,为工程优化问题提供算法选择依据。

weixin_46039719的博客 919

计算机网络基础:揭开网络世界的神秘面纱

计算机网络基础:揭开网络世界的神秘面纱,计算机网络已深度融入现代生活,这篇文章对其基础内容展开全面阐述。开篇介绍计算机网络的定义,说明其由计算机设备、网络设备和传输介质构成。接着从地域范围和拓扑结构两个维度对计算机网络进行分类,并详细讲解 OSI 和 TCP/IP 参考模型,明晰各层功能与联系。随后阐述网络通信协议的定义及常见协议,如 TCP/IP、HTTP 等。最后聚焦网络安全,涵盖定义、重要性以及防火墙、加密技术等常用安全技术。文章旨在帮助读者构建计算机网络基础知识体系,理解其在生活和工作中的应用与价值

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 6万+

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

【智能算法】蝴蝶优化算法(BOA)原理及实现

2019年,Arora等人受到蝴蝶捕食自然行为影响,提出了蝴蝶优化算法(Butterfly optimization algorithm,BOA)。分别表示蝴蝶气味强度,感知因子,刺激强度(适应度)和控制常数。论文对这里的解释是:自然界中的昆虫随着刺激度增强,敏感度会变得越低,因此。(跟适应度函数有关),气味浓度会吸引蝴蝶飞行。当蝴蝶从一个位置移动到另一个位置时其适应度将相应地变化。这里采用采用的全局搜索和局部搜索机制,这里用控制参数。幂律,为了区分气味间的区别,用感知因子。以CEC2005测试函数为例。

Logic_9527的博客 3473

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: 智能算法终极大比拼,以CEC2017测试函数为例,十种智能算法直接打包带走,不含任何套路
下一篇: 智能优化算法之供需优化算法,附上matlab代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值