改进徒步优化算法，计算机一区算法改进，独家原创算法

声明：对于作者的原创代码，禁止转售倒卖，违者必究！

前言

很久没改进过优化算法了，后台也经常收到小伙伴的疑问，为什么最近都没有改进算法了呢？

其实想要改进算法，使改进的算法比原始算法效果好并不难。难的是改进的策略不可以太牵强，不可以偏离原始算法本意！最重要的是不可以增加算法复杂度！

有些人改的算法，修改之后不仅算法运行时间大幅增加，而且修改的策略完全脱离原始算法本意。

比如：改进一个灰狼算法，你加个莱维飞行，你加个布谷鸟搜索策略，怎么，灰狼也会像布谷鸟一样去飞行去搜索吗？它能有这样的生活习性吗？

还有反向学习也是一个常见的万金油策略，但是此策略严重增加了算法复杂度，增加了适应度的计算次数，添加此策略也发不了太好的期刊。

改一个优秀的算法不是分分钟就能改出来的，你得分析算法本意，你得想办法改进它原本的公式（但不可改变原本意思），而且不可增加算法复杂度，这样改出来的算法才称得上是一个好算法。

---

正文

本期改进一个2024年发布于计算机一区期刊的徒步优化算法。目前该算法在谷歌学术统计的被引次数为129。

本期改进的徒步优化算法，核心策略就是：将算法原本只由领导者带队的思想进行改进，融入了团队之间的协作策略（细化精英领导者）。另外还添加了两种策略（不采用混沌映射、反向学习等初级策略）

算法的改进完全考虑到了徒步优化算法本身的含义，以及原始算法中原理公式的欠缺问题（这在代码的改进原理文件中都有详细说明）

算法的改进不增加任何适应度计算次数（也就是不增加算法复杂度）。

结果展示

本期代码测试在CEC2017和CEC2022函数集测试，很多高水平期刊论文常用该测试集！这两种测试集的难度也是CEC函数中公认最高的。

参与对比的算法有：改进的徒步优化算法与原始徒步优化算法(HOA)，鱼鹰算法(OOA)、鹈鹕算法(POA)、蜣螂算法(DBO)，吕佩尔狐优化(RFO)、龙卷风算法(TOC)、爬行搜索算法(RSA)、囊状虫群(TSA)、黑翅鸳算法(BKA)、灰狼算法(GWO)。

这些算法有最新的，也有比较经典的，都是表现很不错的算法。和这些算法相比较还是比较有说服力的！

在CEC2017、CEC2022函数集上，每种算法跑30次，统计最优值、标准差、 平均值、中值、最差值和平均运行时间。（为什么跑30次？因为优化算法每次运行都会有偶然性，跑30次的结果取平均值，可以凸显改进算法的优势！）

这里不放单次训练图了，直接上平均收敛曲线图（平均收敛曲线图的子图个数也可以随意更改）

箱线图（箱线图的子图个数也可以随意更改）

雷达图：

以及平均排序图：

CEC2022函数集的结果就不再一一展示了。效果也是非常棒的！

改进徒步算法的原理也在word文件中写的非常清楚，基本上你可以一字不改直接放到你的论文中了。

所有公式都用mathtype敲好了。

代码目录

代码目录如下：

以上图片，统计结果表格等都是一键运行！

---

代码获取

复制链接跳转：https://mbd.pub/o/bread/YZWVm5tyaA==

或者点击下方阅读原文跳转链接。

---

获取更多代码：

或者复制链接跳转：https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu