一、贪婪个体优化算法
贪婪个体优化算法（Greedy Man Optimization Algorithm，GMOA）是Hamed Nozari与Hossein Abdi于2024年提出的一种新型受生物启发的元启发式算法，它模拟了抵抗变化的竞争个体的行为。GMOA引入了两个独特的机制：MMO抵抗机制，防止过早替换解；周期性寄生虫清除机制，促进多样性并避免停滞。该算法旨在解决传统优化算法中的过早收敛和缺乏多样性的问题。
GMOA算法流程：
- 初始化种群
设置种群大小：N = population_size
生成初始种群：population = generate_random_solution() for _ in range(N)
生成 N 个随机解，每个解代表一个候选解。
初始化 MMO 抵抗值：mmo_resistance = random_value(0, 1) for _ in range(N)
为每个解生成一个随机的 MMO 抵抗值，范围在 0 到 1 之间。
计算目标函数值：objective_values = evaluate_objective(solution) for solution in population
评估每个解的目标函数值，用于衡量解的优劣。 - 主优化循环
迭代次数：for iteration in range(max_iterations):
进行 max_iterations 次迭代。
2.1 竞争机制
遍历每个解：for i in range(N):
对种群中的每个解进行操作。
2.1.1 选择邻近解
选择邻近解：j = random_neighbor_index(N, i)
从种群中随机选择一个与当前解 i 不同的邻近解 j。
2.1.2 比较目标函数值
比较目标值：if objective_valuesj < objective_valuesi:
如果邻近解 j 的目标函数值小于当前解 i 的目标函数值，则尝试替换当前解。
2.1.3 基于 MMO 抵抗值的替换
生成随机阈值：if random_value(0, 1) > mmo_resistancei:
生成一个 0 到 1 之间的随机值，如果该值大于当前解 i 的 MMO 抵抗值，则进行替换。
替换解：populationi = populationj
将当前解 i 替换为邻近解 j。
更新目标函数值：objective_valuesi = objective_valuesj
更新当前解的目标函数值为邻近解的目标函数值。
2.2 周期性寄生虫清除
判断是否进行寄生虫清除：if iteration % parasite_removal_frequency == 0:
如果当前迭代次数是 parasite_removal_frequency 的倍数，则进行寄生虫清除操作。
2.2.1 遍历每个解
遍历每个解：for i in range(N):
对种群中的每个解进行操作。
2.2.2 判断是否突变
判断是否突变：if should_mutate():
如果满足突变条件，则进行突变操作。
2.2.3 突变操作
突变解：mutate_solution(populationi)
对当前解进行突变操作，引入小的随机变化。
减少 MMO 抵抗值：mmo_resistancei *= 0.5
将当前解的 MMO 抵抗值减半，以降低其抵抗能力。
更新目标函数值：objective_valuesi = evaluate_objective(populationi)
重新评估当前解的目标函数值。 - 返回最优解
返回最优解：best_solution = populationargmin(objective_values)
从种群中选择目标函数值最小的解作为最优解并返回。
参考文献：
1Nozari, H., Abdi, H. Greedy Man Optimization Algorithm (GMOA): A Novel Approach to Problem Solving with Resistant Parasites. Journal of Industrial and Systems Engineering, 2024; 16(3): 106-117.
二、23个函数介绍
参考文献：
1 Yao X, Liu Y, Lin G M. Evolutionary programming made fasterJ. IEEE transactions on evolutionary computation, 1999, 3(2):82-102.
三、部分代码及结果
dart
SearchAgents_no = 100;
Max_iter = 1000;
fn=12;
Function_name=strcat('F',num2str(fn));
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[Best_score,Best_pos,PO_cg_curve]=(SearchAgents_no,Max_iter,lb,ub,dim,fobj);
semilogy(PO_cg_curve,'LineWidth',2)
title(Function_name)
xlabel('迭代次数');
ylabel('适应度值');
