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)]);
