2023年智能优化算法之——增长优化器Growth Optimizer(GO),附MATLAB代码

2022年最新优化算法---蛛母狼马蜂算法(论文创新点) 前言 凡是机械、电子、计算机这一块,搞科研的小伙伴应该都知道,一个好的算法往往是科研论文的主要创新点。每年都会有许多层出不穷的算法,算法的相互融合和吸收各自的优点已不再是新鲜事!那么今天我就向大家推荐一种算法思路,目前还没有研究人员想到,哪怕用不到,也非常值得你收藏借鉴! 文章目录前言1、智能优化算法:黑寡妇算法(蛛)1.1算法原理1.1.1 初始化种群1.1.2 蜘蛛运动1.1.3 信息素1.2 算法流程1.3 参考文献2、智能优化算法:灰狼优化算法(母狼)2.1 算法原理2.1.1 包围猎物2.1.2 阅读详情

增长优化器的主要设计灵感来源于个人在社会成长过程中的学习和反思机制。学习是个体通过从外部世界获得知识而成长的过程。反思是检查个人自身不足并调整个人学习策略以帮助个人成长的过程。参考文献如下:

Zhang, Qingke, et al. “Growth Optimizer: A Powerful Metaheuristic Algorithm for Solving Continuous and Discrete Global Optimization Problems.” Knowledge-Based Systems, vol. 261, Elsevier BV, Feb. 2023, p. 110206,DOI:http://10.1016/j.knosys.2022.110206

该代码的源码编写有两种方式,一种是常规的,以最大迭代次数为目标进行寻优,一种是设置了一个标识符,当适应度值不再增长,且循环已经超过了最大标识符时,会终止寻优。

以CEC2017函数为例,进行结果展示:

 接下来上关键代码:

function [gbestX,gbestfitness,gbesthistory]= GO_FEs(popsize,dimension,xmax,xmin,MaxFEs,Func,FuncId)
% This version is an evaluation version of GO
%% Parameter setting
FEs=0;P1=5;P2=0.001;P3=0.3;
%% Initialization
x=unifrnd(xmin,xmax,popsize,dimension);
newx=x;
fitness=inf(1,popsize);
gbesthistory=inf(1,MaxFEs);
gbestfitness=inf;
for i=1:popsize
    fitness(i)=Func(x(i,:)',FuncId);
    FEs=FEs+1;
    if gbestfitness>fitness(i)
        gbestfitness=fitness(i);
        gbestX=x(i,:);
    end
    gbesthistory(FEs)=gbestfitness;
end
%% Enter iteration
while 1
    [~, ind]=sort(fitness);
    Best_X=x(ind(1),:);   % Note the difference between Best_X and gbestX
    %% Learning phase
    for i=1:popsize
        Worst_X=x(ind(randi([popsize-P1+1,popsize],1)),:);
        Better_X=x(ind(randi([2,P1],1)),:);
        random=randperm(popsize,3);
        random(random==i)=[];
        L1=random(1);L2=random(2);
        Gap1=(Best_X-Better_X); Gap2=(Best_X-Worst_X); Gap3=(Better_X-Worst_X); Gap4=(x(L1,:)-x(L2,:));
        Distance1=norm(Gap1); Distance2=norm(Gap2); Distance3=norm(Gap3); Distance4=norm(Gap4);
        SumDistance=Distance1+Distance2+Distance3+Distance4;
        LF1=Distance1/SumDistance; LF2=Distance2/SumDistance; LF3=Distance3/SumDistance; LF4=Distance4/SumDistance;
        SF=fitness(i)/max(fitness);
        KA1=LF1*SF*Gap1; KA2=LF2*SF*Gap2; KA3=LF3*SF*Gap3; KA4=LF4*SF*Gap4;
        newx(i,:)=x(i,:)+KA1+KA2+KA3+KA4;
        % Clipping
        newx(i,:)=max(newx(i,:),xmin);
        newx(i,:)=min(newx(i,:),xmax);
        newfitness=Func(newx(i,:)',FuncId);
        FEs=FEs+1;
        % Real time update
        if fitness(i)>newfitness
            fitness(i)=newfitness;
            x(i,:)=newx(i,:);
        else
            if rand<P2&&ind(i)~=ind(1)
                fitness(i)=newfitness;
                x(i,:)=newx(i,:);
            end
        end
        if gbestfitness>fitness(i)
            gbestfitness=fitness(i);
            gbestX=x(i,:);
        end
        gbesthistory(FEs)=gbestfitness;
    end
    fprintf("FEs: %d, fitness error: %e\n",FEs,gbestfitness);
    if FEs>=MaxFEs
        break;
    end
    %% Reflection phase
    for i=1:popsize
        newx(i,:)=x(i,:);
        for j=1:dimension
            if rand<P3
                R=x(ind(randi(P1)),:);
                newx(i,j) = x(i,j)+(R(:,j)-x(i,j))*rand;
                AF=(0.01+(0.1-0.01)*(1-FEs/MaxFEs));
                if rand<AF
                    newx(i,j)=xmin+(xmax-xmin)*rand;
                end
            end
        end
        % Clipping
        newx(i,:)=max(newx(i,:),xmin);
        newx(i,:)=min(newx(i,:),xmax);
        newfitness=Func(newx(i,:)',FuncId);
        FEs=FEs+1;
        % Real time update
        if fitness(i)>newfitness
            fitness(i)=newfitness;
            x(i,:)=newx(i,:);
        else
            if rand<P2&&ind(i)~=ind(1)
                fitness(i)=newfitness;
                x(i,:)=newx(i,:);
            end
        end
        if gbestfitness>fitness(i)
            gbestfitness=fitness(i);
            gbestX=x(i,:);
        end
        gbesthistory(FEs)=gbestfitness;
    end
    fprintf("FEs: %d, fitness error: %e\n",FEs,gbestfitness);
    if FEs>=MaxFEs
        break;
    end
end
%% Deal with the situation of too little or too much evaluation
 if FEs<MaxFEs
     gbesthistory(FEs+1:MaxFEs)=gbestfitness;
 else
     if FEs>MaxFEs
         gbesthistory(MaxFEs+1:end)=[];
     end
 end
end

 下方小卡片回复关键词:2023,免费获取2023年智能优化算法合集matlab代码。

后续会继续发布2023年其他最新优化算法,敬请关注。

近两年最新智能优化算法,高创新,可融合预测和优化模型,小论文不愁了!(附matlab代码实现) YDSE的灵感来自物理中yang的双缝实验,该实验被认为是最著名的经典物理实验之一,揭示了光的波动性质。行为的自然启发的元启发式算法(MA),称为成吉思汗鲨鱼优化器(Genghis Khan shark optimizer,GKSO),用于数值优化和工程设计。文章指出,该算法相对于传统算法具有更高的精度和更小的计算复杂度,并在实验中取得了良好的效果。,这个算法的灵感来自于霸王龙的狩猎行为。是MahdiAzizi等人于2023年提出的一种新颖的元启发式算法,其灵感来自关于稳定性和不同粒子衰变模式的物理原理。 阅读详情

相关推荐

智能优化算法——蝙蝠算法(Python&Matlab实现)

目录 1 前言 2蝙蝠算法原理细讲 3详细步骤 4 Python实现 4.1 代码 4.2 结果 5 Matlab实现 5.1代码 5.2结果 5.3展望 1 前言 蝙蝠算法是2010年杨教授基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。该算法基于迭代优化,初始化为一组随机解,然后迭代搜寻最优解,且在最优解周围通过随机飞行产生局部新解,加强局部搜索速度。该算法具有实现简单、参数少等特点。 该算法主要用于目标函数寻优,基于蝙蝠种群利用产...

weixin_46039719的博客 6795

2023年最新智能优化算法之——IBI逻辑优化算法(IBL),附MATLAB代码

2023年最新智能优化算法之——IBI逻辑优化算法(IBL),附MATLAB代码,CEC2005测试

淘个代码 4515

android10 部分机型(华为)无法正常更新安装app

android.content.ActivityNotFoundException: No Activity found to handle Intent { act=android.intent.action.VIEW dat=file://storage/emulated/0/文件夹名/***.apk typ=application/vnd.android.package-archive }

森森先生的博客 3929

13种最新2023年智能算法进行PK,免费获取matlab代码

本期推出13种2023年智能算法进行PK,在CEC2005和CEC2022函数集进行测试。文末有代码获取方式。(昨天由于上传文件发生问题,今天重新推出)13种算法都是2023年提出的,分别为:淘金优化器(GRO),雪消融优化器(SAO),霜冰优化算法(RIME),减法优化器(SABO),切诺贝利灾难优化器(CDO),逻辑优化算法(ILA),小龙虾优化算法(COA),长城建造算法(GWCA),几何平...

淘个代码 3297

基于51单片机+SYN6288语音播报

51单片机控制SYN6288语音播报资料SYN6288模块原理图语音合成命令接线如何接线实现原理程序代码main.csyn6288.cuart.cdelay.c基于 51单片机的其他项目基于51单片机+遥控灯基于51单片机+LCD1602显示基于51单片机+红外遥控解码+LCD1602显示基于51单片机+DHT11温湿度+LCD1602显示基于51单片机+DS18B20温度测温器+LCD1602显示尾声 资料 我用的是绿深电子技术的模块,资料也挺齐全的。也有相关例程。 SYN6288模块原理图 语音合成

weixin_47457689的博客 3万+

Verilog实战:手把手教你实现IEEE 754单精度浮点乘法器(附完整代码)

本文详细介绍了如何使用Verilog实现IEEE 754单精度浮点乘法器,包括标准解析、架构设计、Verilog代码实现及优化技巧。通过两级流水线设计,平衡性能与面积,适用于数字信号处理、AI加速器等高性能计算场景。

weixin_33724046的博客 315

智能优化算法-成长优化器Growth Optimizer (附Matlab代码)

提出了一种新的、功能强大的元启发式优化器——成长优化器Growth Optimizer(GO)。其主要设计灵感来源于个体在社会成长过程中的学习和反思机制。学习是个人从外界获取知识而成长的过程。反思是检查个体自身不足,调整个体学习策略,帮助个体成长的过程。这项工作在数学上模拟了这种增长行为。于2023年发表在中科院一区top期刊Knowledge-Based Systems上。

weixin_44028734的博客 567

3D视觉-结构光测量-线结构光测量

线结构光测量中,由激光器射出的激光光束透过柱面透镜扩束,再经过准直,产生一束片状光。这片光束像刀刃一样横切在待测物体表面,因此线结构光法又被成为光切法。线结构光测量常采用二维面阵CCD作为接受器件,因此只要通过增加垂直于面阵探测器的第三维度方向,就可以实现对三维物体的测量。

qq_20660115的博客 3137

六种最新智能优化算法(LSO、SWO、ZOA、EVO、KOA、GRO)求解23个基准测试函数(含参考文献及MATLAB代码)

文件夹内包含六种优化算法(LSO、SWO、ZOA、EVO、KOA、GRO)求解23个测试函数的完整MATLAB代码,包含使用说明及参考文献,点击main.m即可运行,运行的结果图将自动保存到Picture文件夹内。

IT猿手 9970

手机端实时检测:YOLOv8n轻量化改进,骁龙865上35FPS,mAP+3.2%

YOLOv8n-Lite的改进不是简单的“砍通道、降分辨率”,而是结合手机端硬件特性(NPU加速、内存限制)和场景需求(小目标检测),通过“卷积拆分减少计算、通道瘦身适配内存、特征强化保留精度”的协同策略,在骁龙865上实现35FPS实时性与mAP+3.2%的双赢。该方案已在手机端AR应用中落地,支持实时手势识别、物体测量等功能,功耗比原始模型降低40%(连续检测1小时仅耗电12%)。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 727

LPDDR5 学习笔记01:功能概述

LPDDR5/LPDDR5X SDRAM设备采用8/16DQ通道架构,支持2Gb-32Gb容量。通过CK命令时钟和更快的WCK数据时钟协同工作,7个CA引脚传输控制信息,支持2:1或4:1的WCK:CK比例。设备提供BG/8B/16B三种存储模式选择,分别支持不同数据速率(最高8.533Gbps)和突发长度。采用0.5V VDDQ电源电压,实现高速双倍数据速率传输,并通过差分WCK时钟完成数据采样。读写采用突发访问机制,需先激活命令再执行读写操作。新型LPDDR5X仅支持BG和16B模式,优化了高速性能。

一只豌豆象的博客 2206

2023年优化算法之之霸王龙优化算法(TROA),原理公式详解,附matlab代码

霸王龙优化算法(Tyrannosaurus optimization,TROA)是一种新的仿生优化算法,该算法模拟霸王龙的狩猎行为,具有搜索速度快等优势。该成果于2023年发表在知名SCI期刊e-Prime-Advances in Electrical Engineering, Electronics and Energy上。TROA算法通过位置初始化、狩猎和追逐、选择阶段三个主要操作模拟了霸王龙...

淘个代码 2184

华为OD新系统机试真题 - 失灵的键盘(C/C++/Py/Java/Js/Go)

华为OD新系统机试真题 【失灵的键盘】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD4月15号机试真题【失灵的键盘】

qq_45776114的博客 1075

2024年SCI一区最新优化算法——指数三角优化算法,MATLAB代码免费获取

注:该算法已按照智能优化算法APP标准格式进行整改,可直接集成到APP中,方便大家与自己的算法进行对比。指数-三角优化(Exponential-trigonometric optimization, ETO)是一种新颖强大的优化器,它基于指数函数和三角函数的复杂组合。ETO算法的结构是为了在两个重要阶段之间取得平衡:勘探和开发,这是许多其他优化算法也试图解决的挑战。与现有算法相比,ETO使用指数函...

淘个代码 1427

爬虫进阶必备:深入理解requests.Session(),提升爬虫效率与稳定性

前两天,有个朋友跟我吐槽,说自己写了个爬虫爬取某个电商网站的商品信息,刚开始跑得好好的,爬了大概几百页之后,突然就开始报错了。HTTP状态码一会儿429,一会儿403,最离谱的是有些页面明明登录了却显示未登录状态。他排查了半天也没找到原因,最后把代码发给我看。 我扫了一眼代码,发现一个典型问题:他每次请求都新建一个requests.Session(),甚至有些请求直接用了requests.get()。这就好比每次进超市都要重新注册会员,每次都重新跟服务器“握手”,不翻车才怪。 其实,这就是我们今天要聊的

2201_76125261的博客 1229

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

成长优化算法(Growth Optimizer,GO)求解不闭合MD-MTSP(提供MATLAB代码)

成长优化算法(Growth Optimizer,GO)由Qingke Zhang等人于2023年提出,该算法的设计灵感来源于个人在成长过程中的学习和反思机制。学习是个人通过从外部世界获取知识而成长的过程,反思是检查个体自身不足,调整个体学习策略,帮助个体成长的过程。

2117

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【群智能算法】一种改进的天鹰优化算法IAO【Matlab代码#4】

此为改进的天鹰优化算法,寻优能力强,matlab代码可以直接运行!

jayxiaoxionger的博客 2661

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

2023年优化算法之减法平均优化器,matlab代码直接复制,并与灰狼,粒子群算法比较...

“今天的主角是:2023年4月份新鲜出炉的优化算法,“减法平均优化器”,目前知网还搜不到。该算法原理简单,非常适合新手,算上初始化粒子,总共就4个公式。但是!重点来了,该算法原理虽然简单,但是寻优效果却是极好的。下面会将该算法与粒子群算法和灰狼算法进行对比。”01—减法平均优化器原理减法优化器(Subtraction-Average-Based Optimizer,SABO)设计的基本灵...

淘个代码 4860

智能优化算法:卷积优化算法-2023 附代码

将二维卷积运算引入智能优化算法的种群位置更新过程,提出一种新的智能优化算法,即卷积优化算法(Convolution Optimization Algorithm,COA)。该算法主要包括卷积搜索和解质量增强 2 种机制:在卷积搜索过程中,分别定义纵向卷积核、横向卷积核和区域卷积核,依次进行二维卷积运算并更新种群的位置向量,然后将 3 种卷积核更新后的种群的位置向量进行随机权重或等比例权重相加,进一步更新种群的位置向量;

Jack旭的博客 4140

2023年最新智能优化算法之——切诺贝利灾难优化器Chernobyl Disaster Optimizer (CDO),附MATLAB代码和文献

2023优化算法之切诺贝利灾难优化器Chernobyl Disaster Optimizer (CDO),附MATLAB代码和文献

淘个代码 2055

无人机三维路径规划:成长优化算法(Growth Optimizer,GO)提供MATLAB代码

无人机三维路径规划是无人机在执行任务过程中的非常关键的环节,无人机三维路径规划的主要目的是在满足任务需求和自主飞行约束的基础上,计算出发点和目标点之间的最佳航路。

IT猿手 1762

2023年最新智能优化算法之——能量谷优化器 Energy valley optimizer(EVO),附MATLAB代码和文献

2023年智能优化算法之——能量谷优化器 Energy valley optimizer(EVO),附MATLAB代码和文献

淘个代码 2447

2023年智能优化算法之霜冰优化算法,附MATLAB代码,直接复制

霜冰优化算法(Rime optimization algorithm)是Hang Su[1]于2023年2月提出的,该算法受到雾霾冰生长机制的启发,通过模拟软霜冰粒子的运动,提出了一种用于算法搜索的霜冰搜索策略。参考文献:Hang Su, Dong Zhao, Ali Asghar Heidari, Lei Liu, Xiaoqin Zhang, Majdi Mafarja, Huiling Ch...

淘个代码 7818

【2023年算法比较】13种最新智能优化算法大比拼(Matlab代码实现)

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。8. CDO(Colliding Bodies Optimization):基于物体碰撞行为的优化算法,模拟物体之间的碰撞和反弹来搜索最优解。3. WOA(Whale Optimization Algorithm):基于鲸鱼社会行为的优化算法,模拟鲸鱼的追逐和协作行为来搜索最优解。

m0_73907476的博客 2493

增长优化器-Growth Optimizer

增长优化器是一种元启发式算法,旨在解决各种优化问题。元启发式算法是一类启发式算法,它们通常受到自然界或物理过程的启发,通过模拟这些过程中的某些现象或行为,来寻找优化问题的最优解。增长优化器通过模拟某种生长或发展的过程,在解空间中搜索最优解。关注并私信领取完整代码及更多小众创新算法~

RRACC的博客 1115

鱼鹰优化算法(OOA)

鱼鹰优化算法(Osprey Optimization Algorithm (OOA))是于2023年提出的一种新型智能优化算法,该算法灵感来源于鱼鹰捕食的生活行为。具有寻优能力强,搜索精度高等特点。

weixin_63199521的博客 2094
上一篇: 2023年最新智能优化算法之——能量谷优化器 Energy valley optimizer(EVO),附MATLAB代码和文献
下一篇: 智能优化算法之黏菌优化算法(SMA),附matlab代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 2
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