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
二进制person5 分钟前
Java SE--方法的使用
java·开发语言·算法
麻雀无能为力31 分钟前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
OneQ66631 分钟前
C++讲解---创建日期类
开发语言·c++·算法
时序之心34 分钟前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
JoJo_Way38 分钟前
LeetCode三数之和-js题解
javascript·算法·leetcode
码农不惑1 小时前
2025.06.27-14.44 C语言开发:Onvif(二)
c语言·开发语言
.30-06Springfield1 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域2 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技2 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_12 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉