最新智能优化算法: 贪婪个体优化算法(Greedy Man Optimization Algorithm,GMOA)求解23个经典函数测试集,MATLAB代码

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:

  1. 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。
  2. 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_values[j] < objective_values[i]:
    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_resistance[i]:
    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:population[i] = population[j]
    将当前解 i 替换为邻近解 j。
    更新目标函数值:objective_values[i] = objective_values[j]
    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(population[i])
    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_resistance[i] *= 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_values[i] = evaluate_objective(population[i])
    重新评估当前解的目标函数值。
  3. 返回最优解
    返回最优解:best_solution = population[argmin(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:

1\]Nozari, 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 ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/35fd656358c747108580aff6af5528db.png) 参考文献: \[1\] Yao X, Liu Y, Lin G M. Evolutionary programming made faster\[J\]. 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'); ``` ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/64134dea01bd48da8ce5f78dbfb797ed.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/3e8aff594cf54ad5b72609d348d7f6ab.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/625d51c9b04a461eafb90082c3f41f3a.png) ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/2e0ca8eaddd94968b57edbebc4d553cc.png) ### 四、完整MATLAB代码见下方名片

相关推荐
V_HY147622 分钟前
AI碰一碰发视频获客工具,系统开发逻辑详细解析
大数据·人工智能·新媒体运营·流量运营
鹿屿二向箔14 分钟前
阀门流量控制系统MATLAB仿真PID
开发语言·matlab
鸿蒙布道师15 分钟前
OpenAI战略转向:开源推理模型背后的行业博弈与技术趋势
人工智能·深度学习·神经网络·opencv·自然语言处理·openai·deepseek
jiet_h16 分钟前
深入解析Kapt —— Kotlin Annotation Processing Tool 技术博客
android·开发语言·kotlin
没有黑科技16 分钟前
0.雷达信号
matlab
序属秋秋秋17 分钟前
算法基础_基础算法【高精度 + 前缀和 + 差分 + 双指针】
c语言·c++·学习·算法
玉树临风ives17 分钟前
leetcode 2360 图中最长的环 题解
算法·leetcode·深度优先·图论
白雪讲堂23 分钟前
AISEO (GEO )中的知识图谱
人工智能·chatgpt·知识图谱
anda010924 分钟前
11-leveldb compact原理和性能优化
java·开发语言·性能优化
tRNA做科研26 分钟前
通过Bioconductor/BiocManager安装生物r包详解(问题汇总)
开发语言·r语言·生物信息学·bioconductor·biocmanager