一、基于RRT的优化器
基于RRT的优化器（RRT-based Optimizer，RRTO）是2025年提出的一种新型元启发式算法。其受常用于机器人路径规划的快速探索随机树（RRT）算法的搜索机制启发，首次将RRT算法的概念与元启发式算法相结合。RRTO的关键创新之处在于其三种位置更新策略：自适应步长游荡、基于绝对差值的自适应步长以及基于边界的自适应步长。这些策略使得RRTO能够在高效探索搜索空间的同时，引导种群朝着高质量解的方向进化。
参考文献：
1\]G. Lai, T. Li and B. Shi, "RRT-based Optimizer: A novel metaheuristic algorithm based on rapidly-exploring random trees algorithm," in IEEE Access, doi: 10.1109/ACCESS.2025.3547537. ### 二、23个函数介绍  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 clear; clc; close all; warning off all; SearchAgents_no=50; %Number of search solutions Max_iteration=500; %Maximum number of iterations Func_name='F1'; % Name of the test function % Load details of the selected benchmark function [lb,ub,dim,fobj]=Get_F(Func_name); tic; [Best_score,Best_pos,cg_curve]=(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); tend=toc; % figure('Position',[500 500 901 345]) %Draw search space subplot(1,2,1); func_plot(Func_name); title('Parameter space') xlabel('x_1'); ylabel('x_2'); zlabel([Func_name,'( x_1 , x_2 )']) %Draw objective space subplot(1,2,2); semilogy(cg_curve,'Color','m',LineWidth=2.5) title(Func_name) % title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); axis tight grid on box on legend('') display(['The running time is:', num2str(tend)]); display(['The best fitness is:', num2str(Best_score)]); display(['The best position is: ', num2str(Best_pos)]); ```     ### 四、完整MATLAB代码见下方名片