最新算法:​河马优化(HO),帮你试过了,效果还不错!原理公式详解,附matlab代码...

河马优化算法HO求解柔性作业车间调度问题FJSP的Matlab实现 柔性作业车间调度问题(FJSP)是制造业排产中的经典NP难问题,其核心挑战在于机器选择与工序排序的双重耦合决策。随着智能优化算法的发展,元启发式方法已成为求解该问题的主流工具。河马优化算法(HO)作为2024年提出的群体智能新算法,通过模拟河马群的三阶段位置更新策略,在探索与开发之间取得有效平衡。本文从FJSP的数学模型与约束条件切入,详细阐述HO的连续位置如何映射为离散调度解,并给出基于Matlab的完整实现框架与关键代码,涵盖双串编码、插入式贪婪解码及三阶段更新机制。实验对比表明,HO在标准算例上收敛速 阅读详情
AI摘要

这篇文章介绍了一种新颖的优化算法——河马优化算法(HippopotamusOptimizationAlgorithm,HO),它模仿河马的生活习性,如位置更新、防御策略和逃避捕食。算法通过自适应调整搜索策略,表现出快速收敛和高精度。MATLAB代码展示了算法的详细实现过程。,

河马优化算法(Hippopotamus Optimization Algorithm,HO)是一种群智能优化算法,HO算法是从河马观察到的固有行为中汲取灵感而构思的,例如它们在河流或池塘中的位置更新,对捕食者的防御策略以及逃避捕食者的方法。该算法通过自适应地调整搜索空间的分辨率和搜索速度,以快速而准确地找到最优解,具有收敛速度快、求解精度高等特点,是一种不错的优化算法。该成果于2023年发表在知名SCI期刊、JCRQ1:Mathematics上。

0a758e347ffa858fd7821c518e8700ba.png

HOA从河马生活中观察到的三种突出的行为模式中获得灵感,该模型结合了它们在河流或池塘中的位置更新、对捕食者的防御策略和逃避方法。

第一种行为模式:河马群由几只雌性河马、河马幼崽、多只成年雄性河马和一只占统治地位的雄性河马组成,由于它们天生的好奇心,幼河马和幼河马经常表现出离开群体的倾向。因此,它们可能会被孤立,成为捕食者的目标。

第二种行为模式是防御性的,当它们受到捕食者的攻击或其他生物侵入它们的领地时就会触发。狮子和斑点鬣狗等捕食者对这种现象有意识,并积极寻求避免直接暴露于河马可怕的下颚,作为预防潜在伤害的预防措施。

最后一种行为模式包含了河马逃离捕食者的本能反应,并积极寻求远离潜在危险的区域。在这种情况下,河马会努力向最近的水体航行,比如河流或池塘,因为狮子和斑点鬣狗经常表现出对进入水生环境的厌恶。

aa0f2e34fee80eea408621c0f89d6f6c.png

1、算法原理

(1)初始化

HO是一种基于种群的优化算法,其中搜索代理是随机的。在HO算法中,河马是优化问题的候选解,这意味着每个河马在搜索空间中的位置更新表示决策变量的值。类似于传统的优化算法,HO的初始化阶段涉及随机初始解的生成。在此步骤中,使用以下公式生成决策变量的向量:

其中,表示第个候选解的位置,是0到1范围内的随机数,并且和分别表示第个决策变量的下限和上限。其中表示兽群中河马的种群大小,表示问题中决策变量的个数,种群矩阵由式(2)表示。

(2)河马在河流或池塘中的位置更新

河马群由几只成年雌性河马、小河马、多只成年雄性河马和占统治地位的雄性河马组成。根据目标函数值迭代确定优势河马(最小化问题最低,最大化问题最高)。通常,河马倾向于彼此靠近地聚集在一起。占统治地位的雄性河马保护兽群和领地免受潜在威胁。多只雌性河马被安置在雄性河马周围。成年后,雄性河马会被占统治地位的雄性赶出兽群。这些被驱逐的雄性个体被要求吸引雌性或与其他已建立的雄性成员进行统治竞争,以建立自己的统治地位。下式表示了群体中雄性河马成员在湖泊或池塘中的位置的数学表示。

在式中,表示雄性河马的位置,表示优势河马的位置(即当前迭代中成本最优的河马)。

如果t大于0.6,则表明未成熟的河马已经远离母河马,下式描述了雄性和雌性或未成熟河马在群体中的位置更新。F为目标函数值。

МКірроВпірроВћіррое

在第二种行为中,通过使用h向量、I1和l2场景增强了HO算法的全局搜索,提高了算法的探索能力。该算法具有较好的全局搜索性能,提高了算法的搜索速度。

(3)河马防御捕食者(探索阶段)

河马采用的主要防御策略是迅速转向捕食者,并发出响亮的叫声,以阻止捕食者靠近它们。在这个阶段,河马可能会表现出接近捕食者的行为,以诱导其撤退,从而有效地抵御潜在的威胁。下式表示捕食者在搜索空间中的位置。

其中表示一个从0到1的随机向量。

该式表示第i只河马到捕食者的距离。在此期间,河马采取了一种基于捕食者因素的防御行为,以保护自己免受捕食者的侵害。如果predator小于F,表明捕食者离河马非常近,在这种情况下,河马迅速转向捕食者,并向它移动,使它撤退。predator越大,表示捕食者或入侵实体处于较大状态。

由以下公式可知,如果某只河马已被猎取,则说明该河马已被猎取,将会有另一只河马在群中取代它,否则猎取者逃跑,该河马将返回群中。在第二阶段,在全局搜索过程中观察到显著的增强。第一阶段和第二阶段相辅相成,有效地降低了陷入局部最小值的风险。

(4)河马逃离捕食者(剥削阶段)

未成熟的河马,甚至是成年的河马,如果与兽群分离,面对一群狮子或斑点鬣狗,都很容易受到捕食者的攻击。在这种情况下,河马试图离开该区域。通常,河马试图跑到最近的湖泊或池塘,以避免捕食者的伤害,因为斑点狮子和鬣狗避免进入湖泊或池塘。这种策略导致河马在当前位置附近找到一个安全的位置,并在HO的第三阶段模拟这种行为,从而增强了在局部搜索中的开发能力。这种策略导致河马找到一个靠近当前位置的安全位置,并在HO的第三阶段模拟这种行为,从而增强了利用局部搜索的能力。为了模拟这种行为,在河马当前位置附近生成一个随机位置。

根据下式对河马的这种行为进行建模。当新创建的位置提高了成本函数值时,表明河马在当前位置附近找到了一个更安全的位置,并相应地改变了自己的位置。t表示当前迭代。

在式中,是为寻找最近的安全地点而搜索河马的位置.

在该式中,表示0到1之间的随机向量,表示生成的随机数,取值范围为0~1,另外,是正态分布的随机数。

2、结果展示

47e1cc18f6e3fce7f49a7951e4942cf6.png

ee0012eed289c8bcd8804c8f4ae6590f.png

bb1da93d7f023f42a6805086cbd22b73.png

5ce1614ec0f74d09a71bc421d0a1c46d.png

2a2ae13764c8bb17f7e7e8dbe43c498b.png

可以看到,该算法基本不会陷入局部最优解。搜索效率也还不错!

3、MATLAB核心代码

%% 淘个代码 %%
% 微信公众号搜索:淘个代码,获取更多代码
% 河马优化算法(HOA)
%% Designed and Developed by Mohammad Hussien Amiri and Nastaran Mehrabi Hashjin
function[Best_score,Best_pos,HO_curve]=HO(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness)

lowerbound=ones(1,dimension).*(lowerbound);                              % Lower limit for variables
upperbound=ones(1,dimension).*(upperbound);                              % Upper limit for variables

%% Initialization
for i=1:dimension
    X(:,i) = lowerbound(i)+rand(SearchAgents,1).*(upperbound(i) - lowerbound(i));                          % Initial population
end

for i =1:SearchAgents
    L=X(i,:);
    fit(i)=fitness(L);
end

%% Main Loop
for t=1:Max_iterations
    %% Update the Best Condidate Solution
    [best , location]=min(fit);
    if t==1
        Xbest=X(location,:);                                  % Optimal location
        fbest=best;                                           % The optimization objective function
    elseif best<fbest
        fbest=best;
        Xbest=X(location,:);
    end

    for i=1:SearchAgents/2

        %% Phase1: The hippopotamuses position update in the river or pond (Exploration)
        Dominant_hippopotamus=Xbest;
        I1=randi([1,2],1,1);
        I2=randi([1,2],1,1);
        Ip1=randi([0,1],1,2);
        RandGroupNumber=randperm(SearchAgents,1);
        RandGroup=randperm(SearchAgents,RandGroupNumber);

        % Mean of Random Group
        MeanGroup=mean(X(RandGroup,:)).*(length(RandGroup)~=1)+X(RandGroup(1,1),:)*(length(RandGroup)==1);
        Alfa{1,:}=(I2*rand(1,dimension)+(~Ip1(1)));
        Alfa{2,:}= 2*rand(1,dimension)-1;
        Alfa{3,:}= rand(1,dimension);
        Alfa{4,:}= (I1*rand(1,dimension)+(~Ip1(2)));
        Alfa{5,:}=rand;
        A=Alfa{randi([1,5],1,1),:};
        B=Alfa{randi([1,5],1,1),:};
        X_P1(i,:)=X(i,:)+rand(1,1).*(Dominant_hippopotamus-I1.*X(i,:));
        T=exp(-t/Max_iterations);
        if T>0.6
            X_P2(i,:)=X(i,:)+A.*(Dominant_hippopotamus-I2.*MeanGroup);
        else
            if rand()>0.5
                X_P2(i,:)=X(i,:)+B.*(MeanGroup-Dominant_hippopotamus);
            else
                X_P2(i,:)=((upperbound-lowerbound)*rand+lowerbound);
            end

        end
        X_P2(i,:) = min(max(X_P2(i,:),lowerbound),upperbound);

        L=X_P1(i,:);
        F_P1(i)=fitness(L);
        if(F_P1(i)<fit(i))
            X(i,:) = X_P1(i,:);
            fit(i) = F_P1(i);
        end

        L2=X_P2(i,:);
        F_P2(i)=fitness(L2);
        if(F_P2(i)<fit(i))
            X(i,:) = X_P2(i,:);
            fit(i) = F_P2(i);
        end
    end
    %% Phase 2: Hippopotamus defense against predators (Exploration)
    for i=1+SearchAgents/2 :SearchAgents
        predator=lowerbound+rand(1,dimension).*(upperbound-lowerbound); 
        L=predator;
        F_HL=fitness(L);
        distance2Leader=abs(predator-X(i,:));
        b=unifrnd(2,4,[1 1]);
        c=unifrnd(1,1.5,[1 1]);
        d=unifrnd(2,3,[1 1]);
        l=unifrnd(-2*pi,2*pi,[1 1]);
        RL=0.05*levy(SearchAgents,dimension,1.5);

        if fit(i)> F_HL
            X_P3(i,:)=RL(i,:).*predator+(b./(c-d*cos(l))).*(1./distance2Leader);
        else
            X_P3(i,:)=RL(i,:).*predator+(b./(c-d*cos(l))).*(1./(2.*distance2Leader+rand(1,dimension)));
        end
        X_P3(i,:) = min(max(X_P3(i,:),lowerbound),upperbound);

        L=X_P3(i,:);
        F_P3(i)=fitness(L);

        if(F_P3(i)<fit(i))
            X(i,:) = X_P3(i,:);
            fit(i) = F_P3(i);
        end
    end

    %% Phase 3: Hippopotamus Escaping from the Predator (Exploitation)
    for i=1:SearchAgents
        LO_LOCAL=(lowerbound./t);
        HI_LOCAL=(upperbound./t);
        Alfa{1,:}= 2*rand(1,dimension)-1;
        Alfa{2,:}= rand(1,1);
        Alfa{3,:}=randn;
        D=Alfa{randi([1,3],1,1),:};
        X_P4(i,:)=X(i,:)+(rand(1,1)).*(LO_LOCAL+D.* (HI_LOCAL-LO_LOCAL));
        X_P4(i,:) = min(max(X_P4(i,:),lowerbound),upperbound);

        L=X_P4(i,:);
        F_P4(i)=fitness(L);
        if(F_P4(i)<fit(i))
            X(i,:) = X_P4(i,:);
            fit(i) = F_P4(i);
        end

    end
    best_so_far(t)=fbest;
    disp(['Iteration ' num2str(t) ': Best Cost = ' num2str(best_so_far(t))]);

    Best_score=fbest;
    Best_pos=Xbest;
    HO_curve=best_so_far;

end

end

参考文献

[1] Amiri M H, Hash** N M, Montazeri M, et al. Hippopotamus Optimization Algorithm: A Novel Nature-Inspired Optimization Algorithm[J]. 2023.

完整代码获取方式:后台回复关键字:

TGDM199

算法 | 河马优化算法原理,公式,应用,算法改进及研究综述,matlab代码 河马优化算法(HO)由Amiri等人于2024年提出,是受河马群体行为启发的元启发式算法,其核心基于以下三阶段行为模型 阅读详情

相关推荐

HO-BP河马优化算法优化BP神经网络多变量风电功率时序预测,含优化前后对比(Matlab完整源码和数据)

1.Matlab实现HO-BP河马优化算法优化BP神经网络多变量风电功率时序预测,含优化前后对比(Matlab完整源码和数据)excel数据,方便替换。 2.输出mae,rmse,mape多指标评价,运行环境Matlab2023及以上。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:某大厂资深算法工程师,从事Matlab、Python算法仿真工作8年;擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验,更多仿真源码、数据集定制私信+

河马优化算法(HO)-2024年Nature子刊新算法 公式原理详解与性能测评 Matlab代码免费获取

河马优化算法(HO)是一种新型的元启发式算法。该成果于2024年2月发表在Nature旗下子刊上。注意,该算法的作者中包括了Seyedali Mirjalili这位大名鼎鼎的学者,非常经典的灰狼优化、鲸鱼优化算法就是出自他手,性能有保障!

QSJIQIXUEXI的博客 1万+

HO-BP河马优化算法优化BP神经网络分类预测(Matlab完整源码和数据)

1.Matlab实现HO-BP河马优化算法优化BP神经网络分类预测(Matlab完整源码和数据)。 2.输出对比图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:优快云搜索博主名称机器学习之心,优快云博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信。

河马优化算法(HO algorithm)分析 + matlab/python代码

本文详细介绍和分析了河马优化算法(HO algorithm)的各个阶段,并给出了matlab和python代码。

lqs1065718322的博客 4769

HO-Catboost河马算法优化Catboost分类预测,优化前后对比(Matlab完整源码和数据)

1.Matlab实现HO-Catboost河马算法优化Catboost分类预测,优化前后对比,Matlab调用Python的Catboost库(完整源码和数据)。 2.输出对比图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上,配置Python的Catboost库。兼容测试链接:https://ww2.mathworks.cn/support/requirements/python-compatibility.html 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:机器学习之心,博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信

HO-LightGBM河马优化算法优化LightGBM分类预测,优化前后对比(Matlab完整源码和数据)

1.Matlab实现HO-LightGBM的河马优化算法优化LightGBM分类预测,优化前后对比,Matlab调用Python的LightGBM库(完整源码和数据)。 2.输出对比图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上,配置Python的LightGBM库。兼容测试链接:https://ww2.mathworks.cn/support/requirements/python-compatibility.html 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:机器学习之心,博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信。

HO-VMD-TCN:西储大学轴承故障诊断全流程详解

之前有小伙伴说需要CWRU西储大学轴承数据的预处理过程,今天就给大家带来一期基于HO-VMD-TCN的西储大学轴承故障诊断全流程详解。同样本期代码所有流程均可一键运行全部出图,包括预处理过程与故障诊断结果,非常适合新手小白!

QSJIQIXUEXI的博客 4506

HO河马优化算法特征选择并同时优化XGBOOST参数数据分类预测(Matlab完整源码和数据)

1.Matlab实现HO河马优化算法特征选择并同时优化XGBOOST参数数据分类预测(完整源码和数据)。特征选择的参数和XGBOOST的三个参数:最大迭代次数,深度,学习率。 2.输出预测分类图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:机器学习之心,博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信。

2025年最新!融合改变生长机制和小孔成像改进的河马优化算法!效果起飞!

很久没给小伙伴们带来改进算法的推文了,现在改进算法的文章出的是越来越快了,很多2024年刚出的算法已经被引用了几百次,河马优化算法就是其中之一,到目前为止,谷歌学术上已经被引用了300多次,说明这是一个非常受大家欢迎的算法。

QSJIQIXUEXI的博客 1138

HO-KELM的河马优化算法优化核极限学习机故障诊断,优化前后对比(Matlab完整源码和数据)

1.Matlab实现HO-KELM的河马优化算法优化核极限学习机分类预测,优化前后对比(完整源码和数据)。 2.输出对比图、混淆矩阵图、预测准确率,运行环境Matlab2023及以上。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍:机器学习之心,博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析,文章底部有博主联系方式。从事Matlab、Python算法仿真工作8年,更多仿真源码、数据集定制私信

利用PV操作控制进程的并发进行---经典题解

前趋图 先理清楚前趋图中的逻辑关系:P1没有前驱,P2的前驱是P1,P3的前驱是P1、P2,P4的前驱是P2,P5的前驱是P3、P4。 前驱就是指只有在前驱进程完成后,该进程才能开始执行。由图可知,这里进程之间有6条有向弧,分别表示为P1→P2,P1→P3,P2→P3,P2→P4,P3→P5,P4→P5, 各个进程间的逻辑关系,那么我们需要设定6个信号量(S1、S2、S3、S4、S5、S6),利用PV操作来控制这些过程。 对于第一个空,P1执行完成之后,需要通知P2、P3可以开始,此处需要V(S

Yan Ka Kue的博客 6140

大蔗鼠优化算法(GCRA)!灰狼算法作者又提出新算法!公式原理详解与性能测评 Matlab代码免费获取

大蔗鼠优化算法(Greater cane rat algorithm ,GCRA)是一种新型的元启发式算法,灵感来源于自然界中大蔗鼠的觅食和交配行为。该成果于2024年5月发表在Cell旗下子刊《Heliyon》上!注意,该算法的作者中包括了Seyedali Mirjalili等优化算法领域大名鼎鼎的学者。熟悉该作者的小伙伴都知道,非常经典的灰狼优化算法GWO、海洋捕食者算法MPA等性能优异的算法都是由他发明的,看见他的名字,说明这个算法的性能是有保证的,此次发明的大蔗鼠算法效果也同样不错!

QSJIQIXUEXI的博客 2404

【2023】Java利用modbus4j实现工业设备Modbus TCP数据采集与解析

本文详细介绍了在2023年使用Java和modbus4j库实现工业设备Modbus TCP数据采集与解析的完整实践。内容涵盖开发环境搭建、TCP连接建立、开关量与模拟量数据的读取与解析、批量读取性能优化、控制指令写入以及常见错误排查指南,为开发者构建稳定高效的工业物联网数据采集系统提供全面指导。

rose2的博客 723

2024最新算法:河马优化算法(HO)求解23个基准函数

河马优化算法(Hippopotamus optimization algorithm,HO)由Amiri等人于2024年提出,该算法模拟了河马在河流或池塘中的位置更新、针对捕食者的防御策略以及规避方法。河马优化算法的灵感来自河马生活中观察到的三种突出行为模式。河马群由几只雌性河马、河马幼崽、多只成年雄性河马和一只占主导地位的雄性河马(牛群的领导者)组成.由于它们与生俱来的好奇心,幼崽和小河马经常表现出远离群体的倾向。因此,它们可能会变得孤立并成为捕食者的目标。参考文献:[1]Amiri, Mohammad

IT猿手 3162

双向晶闸管交流调压基础知识及Multisim电路仿真

本文介绍了双向晶闸管交流调压电路的工作原理及应用。该电路由双向晶闸管、RC移相电路和双向触发二极管组成,通过调节电位器改变触发角实现电压调节。当电位器阻值减小时,触发角减小,输出电压升高;阻值增大时,触发角增大,输出电压降低。Multisim仿真展示了不同电位器档位下的波形特征:0%档位时全导通,50%档位时半导通,100%档位时基本关断。该电路结构简单、调节平滑,广泛应用于调光、调速等场合,但会产生谐波干扰。

XU157303764的博客 844

《通信工程施工与管理》

制作馈线接头必须使用专用的工具,专用工具包括:馈线切割刀、馈线安全刀、小金属丝毛刷、固定尺寸或大号活动扳手、小号扁锉刀、细齿小手锯、接头扩孔器、3M防水胶或防水接头盒;如图所示,详情如表所示。

2302_78710464的博客 1654

【智能算法】河马优化算法(HO)原理及实现

大多数未成熟的河马都靠近它们的母亲,但由于好奇,有时未成熟的河马会与兽群分开或远离它们的母亲。当r6大于0.5时,表示未成熟的河马已经离开了母亲,但仍在兽群内或附近(式7),否则表示未成熟的河马已经离开了兽群。在河马的社交结构中,雌性通常被置于雄性的保护之下。随着成年雄性河马的成长,它们往往会被领导雄性赶出原有的群体,这些雄性河马则需要通过吸引雌性或与其他成熟雄性竞争以建立自己的领导地位。如果F HippoR i大于F,则表示该河马已被猎杀,将有另一头河马在群中取而代之,否则猎人逃跑,该河马将返回群中。

Logic_9527的博客 3583

基于互相关(NCC)模板匹配——find_ncc_model_defocused.hdev

相关性原理:仅在NCC(r,c) = ±1时,模板与图像完全匹配; NCC绝对值越大,表示模板与正在检测部分图像越接近; NCC绝对值越接近于零,表示模板与图像越不一致。 线性光照变化不会影响NCC计算结果。 重要函数一: 创建模板:create_ncc_model( Template : : NumLevels, AngleStart, AngleExtent, AngleStep, Metric : ModelID) 参数列表: Template(in):单通道灰度图像,它的区域可被创建为模板。 Num

m0_51271525的博客 3413

2024年优化算法-河马优化算法Hippopotamus optimization algorithm(附Matlab代码)

本期介绍了一种新的元启发式优化算法--。HO是通过从河马观察到的固有行为中汲取灵感而构思的,展示了一种创新的元启发式方法。该成果于在nature子刊,SCI期刊scientific reports。在161个基准函数中,它在寻找最优值方面获得了115个最高排名,包括单峰和高维多峰函数,固定维多峰函数,以及和CEC 2014测试套件的10、30、50和100维度以及Zigzag模式基准函数,这表明HO在开发和探索方面都表现出了显著的熟练程度。此外,它有效地平衡了探索和利用,支持搜索过程。

weixin_44028734的博客 2181

10X Visium空间转录组学入门:从芯片结构到数据分析全流程解析(附避坑指南)

本文全面解析10X Visium空间转录组学技术,从芯片物理结构、探针化学原理到湿实验全流程操作与避坑指南,并详细介绍了从FASTQ数据到空间可视化的核心分析流程。文章旨在帮助科研人员跨越从理论到实操的鸿沟,掌握从样本准备、文库构建到使用Space Ranger和Seurat进行数据分析与可视化的完整路径,为组织生物学研究提供清晰的实践指引。

weixin_29306011的博客 166

Modbus通信从入门到精通_2_Modbus TCP通信详解及仿真(搭建ModbusTCP仿真环境:创建虚拟PLC并进行ModbusTCP通讯;寄存器与PLC中映射关系;适合理解如何编写上位机)

LocalPort”是PLC的端口,最终的设置如下图所示:(相关的设置都可以查看帮助文档)P#DB1.DBX0.0 BYTE28是以指针形式表示的DB1的DBX0.0开始(在使用的西门子Modbus tcp的程序块中设置的“MB_HOLD_REG”输出寄存器),其有28个字节(28个字节对应14个寄存器),4001是第一个寄存器,往后数14个即可。在上面的基础上,增加一个“DB1”的“组对象”,同时将“MW0”的组对象禁止(双击组对象,“Active”取消勾选),启动之后发现无法连接。

分享学习成长历程,Winter is coming! 1万+

2024河马优化算法(含Python、Matlab代码)

河马优化算法(Hippopotamus optimizationalgorithm,HO)是2024年提出的一种新型启发式算法,目前还是一种很新的算法,很少有人引用,所以有很大的改进空间,使用一些改进策略再结合其他研究领域,比如故障诊断、时序预测等方向,也是一个不错的创新点。

2401_83048915的博客 3092

claude code desktop中出现Doesn‘t look like an Anthropic model - expected a gateway model route 解决方案

本文主要介绍了claude code desktop中出现Doesn’t look like an Anthropic model - expected a gateway model route referencing an Anthropic model和Server is busy. Retrying的解决方案,希望能对使用claude code desktop的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 9万+

群体智能优化算法-河马优化算法 (HO,含Matlab源代码)

河马优化算法(HO)是一种新型自然启发式优化算法,其灵感来自河马群体的觅食、反捕食与逃避行为。通过模拟河马在不同环境条件下的动态响应策略,HO 算法将优化问题中的个体映射为河马群体,通过群体内合作、个体逃避捕食者及随机探索行为实现搜索空间的探索与开发,具有良好的全局搜索能力和局部开发性能。实验结果表明,该算法能有效解决复杂的优化问题,具备较高的求解精度和收敛速度,适用于各类工程优化问题。

qq_53665413的博客 862

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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

智能优化算法:河马优化算法

河马优化算法是 Amiri M. H. 等20于 2024 年提出的新群体智能算法,灵感来源于河马的行为。该算法模拟河马在河流或池塘中的位置更新、防御捕食者策略和规避方法来解决优化问题。其核心分为 3 个阶段:河马初始位置更新、河马防御捕食者、河马逃离捕食者。

Jack旭的博客 521

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

多目标优化算法:多目标河马优化算法(MOHOA)求解ZDT1、ZDT2、ZDT3、ZDT4、ZDT6,提供完整MATLAB代码

GD(Generational Distance)世代距离GD指标用于评价获得的帕累托前沿(PF)和最优帕累托前沿之间的距离。对于每个属于PF的解,找到与其最近的最优帕累托前沿中的解,计算其欧式距离,GD为这些最短欧式距离的平均值。GD值越小,代表收敛性越好,找到的PF与最优帕累托前沿越接近。IGD(Inverted Generational Distance)逆世代距离IGD与GD相似,但同时考虑了多样性和收敛性。

IT猿手 1936

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: 12种算法优化CNN-BiGRU-Attention单变量输入单步预测,机器学习预测全家桶,持续更新,MATLAB代码...
下一篇: 2024最新:​鹅优化算法(GO),原理公式详解,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 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