5大智能算法优化标准测试函数对比（Python实现）

MATLAB代码顾问2026-05-05 0:08

标准测试函数对比（Python实现）

一、问题背景

智能优化算法是解决复杂优化问题的重要工具。本文选取5种经典智能算法，在5个标准测试函数上进行对比实验，全面评估各算法的性能。

5种智能算法

算法 缩写 灵感来源 提出时间
遗传算法 GA 自然选择与遗传 1975年
粒子群算法 PSO 鸟群觅食行为 1995年
模拟退火算法 SA 金属退火过程 1983年
差分进化算法 DE 种群进化 1995年
蚁群算法 ACO 蚂蚁觅食行为 1992年

5个标准测试函数

函数 公式 全局最优 搜索范围
Sphere f(x)=∑i=1nxi2f(x)=\sum_{i=1}^n x_i^2f(x)=∑i=1nxi2 0 [-5,5]
Rosenbrock f(x)=∑i=1n−1[100(xi+1−xi2)2+(xi−1)2]f(x)=\sum_{i=1}^{n-1}[100(x_{i+1}-x_i^2)^2+(x_i-1)^2]f(x)=∑i=1n−1[100(xi+1−xi2)2+(xi−1)2] 0 [-2,2]
Rastrigin f(x)=10n+∑i=1n[xi2−10cos⁡(2πxi)]f(x)=10n+\sum_{i=1}^n[x_i^2-10\cos(2\pi x_i)]f(x)=10n+∑i=1n[xi2−10cos(2πxi)] 0 [-5,5]
Ackley f(x)=−20exp⁡(−0.21n∑xi2)−exp⁡(1n∑cos⁡(2πxi))+20+ef(x)=-20\exp(-0.2\sqrt{\frac{1}{n}\sum x_i^2})-\exp(\frac{1}{n}\sum\cos(2\pi x_i))+20+ef(x)=−20exp(−0.2n1∑xi2 )−exp(n1∑cos(2πxi))+20+e 0 [-5,5]
Griewank f(x)=14000∑xi2−∏cos⁡(xii)+1f(x)=\frac{1}{4000}\sum x_i^2-\prod\cos(\frac{x_i}{\sqrt{i}})+1f(x)=40001∑xi2−∏cos(i xi)+1 0 [-5,5]

二、Python实现

2.1 测试函数定义

python 复制代码 
import numpy as np

def sphere(x):
    return np.sum(x ** 2)

def rosenbrock(x):
    return np.sum(100 * (x[1:] - x[:-1]**2)**2 + (x[:-1] - 1)**2)

def rastrigin(x):
    n = len(x)
    return 10 * n + np.sum(x**2 - 10 * np.cos(2 * np.pi * x))

def ackley(x):
    n = len(x)
    sum1, sum2 = np.sum(x**2), np.sum(np.cos(2 * np.pi * x))
    return -20 * np.exp(-0.2 * np.sqrt(sum1 / n)) - np.exp(sum2 / n) + 20 + np.e

def griewank(x):
    n = len(x)
    return np.sum(x**2) / 4000 - np.prod(np.cos(x / np.sqrt(np.arange(1, n+1)))) + 1

2.2 遗传算法（GA）

python 复制代码 
def ga(func, dim=10, bounds=(-5,5), pop_size=50, max_iter=100):
    pop = np.random.uniform(bounds[0], bounds[1], (pop_size, dim))
    best = float('inf')
    best_history = []
    for gen in range(max_iter):
        fitness = np.array([func(p) for p in pop])
        if np.min(fitness) < best:
            best = np.min(fitness)
        best_history.append(best)
        new_pop = np.zeros_like(pop)
        for i in range(pop_size):
            cand = np.random.choice(pop_size, 3, replace=False)
            p1 = pop[cand[np.argmin(fitness[cand])]]
            cand = np.random.choice(pop_size, 3, replace=False)
            p2 = pop[cand[np.argmin(fitness[cand])]]
            mask = np.random.rand(dim) < 0.8
            child = np.where(mask, p1, p2)
            mut = np.random.rand(dim) < 0.1
            child[mut] += np.random.normal(0, 0.5, np.sum(mut))
            child = np.clip(child, bounds[0], bounds[1])
            new_pop[i] = child
        pop = new_pop
    return best_history

2.3 粒子群算法（PSO）

python 复制代码 
def pso(func, dim=10, bounds=(-5,5), swarm=50, max_iter=100):
    pos = np.random.uniform(bounds[0], bounds[1], (swarm, dim))
    vel = np.random.uniform(-1, 1, (swarm, dim))
    pbest, pbest_val = pos.copy(), np.array([func(p) for p in pos])
    gbest_idx = np.argmin(pbest_val)
    gbest, gbest_val = pos[gbest_idx].copy(), pbest_val[gbest_idx]
    best_history = [gbest_val]
    w, c1, c2 = 0.7, 1.5, 1.5
    for t in range(max_iter):
        r1, r2 = np.random.rand(swarm, dim), np.random.rand(swarm, dim)
        vel = w * vel + c1 * r1 * (pbest - pos) + c2 * r2 * (gbest - pos)
        pos = np.clip(pos + vel, bounds[0], bounds[1])
        val = np.array([func(p) for p in pos])
        improved = val < pbest_val
        pbest[improved], pbest_val[improved] = pos[improved], val[improved]
        if np.min(val) < gbest_val:
            gbest_idx = np.argmin(val)
            gbest, gbest_val = pos[gbest_idx].copy(), val[gbest_idx]
        best_history.append(gbest_val)
    return best_history

2.4 模拟退火算法（SA）

python 复制代码 
def sa(func, dim=10, bounds=(-5,5), max_iter=100):
    x = np.random.uniform(bounds[0], bounds[1], dim)
    fx, best = func(x), func(x)
    best_history = [best]
    T = 100
    for t in range(max_iter):
        for _ in range(10):
            x_new = np.clip(x + np.random.normal(0, 1, dim), bounds[0], bounds[1])
            f_new = func(x_new)
            if f_new < fx or np.random.rand() < np.exp(-(f_new - fx) / T):
                x, fx = x_new, f_new
                if fx < best:
                    best = fx
        T = max(T * 0.95, 0.01)
        best_history.append(best)
    return best_history

2.5 差分进化算法（DE）

python 复制代码 
def de(func, dim=10, bounds=(-5,5), pop_size=50, max_iter=100):
    pop = np.random.uniform(bounds[0], bounds[1], (pop_size, dim))
    fitness = np.array([func(p) for p in pop])
    best, F, CR = np.min(fitness), 0.5, 0.9
    best_history = [best]
    for t in range(max_iter):
        for i in range(pop_size):
            idxs = [j for j in range(pop_size) if j != i]
            a, b, c = pop[np.random.choice(idxs, 3, replace=False)]
            mutant = np.clip(a + F * (b - c), bounds[0], bounds[1])
            trial = np.where(np.random.rand(dim) < CR, mutant, pop[i])
            ft = func(trial)
            if ft < fitness[i]:
                pop[i], fitness[i] = trial, ft
        if np.min(fitness) < best:
            best = np.min(fitness)
        best_history.append(best)
    return best_history

2.6 蚁群算法（ACO - 连续优化版）

python 复制代码 
def aco(func, dim=10, bounds=(-5,5), ants=50, max_iter=100):
    solutions = np.random.uniform(bounds[0], bounds[1], (ants, dim))
    fitness = np.array([func(s) for s in solutions])
    best, tau = np.min(fitness), np.ones((ants, dim))
    best_history = [best]
    for t in range(max_iter):
        for i in range(ants):
            if np.random.rand() < 0.3:
                solutions[i] += np.random.normal(0, 0.1, dim) * tau[i]
                solutions[i] = np.clip(solutions[i], bounds[0], bounds[1])
                f_new = func(solutions[i])
                if f_new < fitness[i]:
                    fitness[i] = f_new
        tau = tau * 0.9 + 1.0 / (fitness.reshape(-1, 1) + 1e-10)
        if np.min(fitness) < best:
            best = np.min(fitness)
        best_history.append(best)
    return best_history

2.7 主程序

python 复制代码 
test_funcs = [
    ("Sphere", sphere, (-5, 5)),
    ("Rosenbrock", rosenbrock, (-2, 2)),
    ("Rastrigin", rastrigin, (-5, 5)),
    ("Ackley", ackley, (-5, 5)),
    ("Griewank", griewank, (-5, 5))
]
algorithms = [("GA", ga), ("PSO", pso), ("SA", sa),
              ("DE", de), ("ACO", aco)]

dim, max_iter = 10, 100

for fname, func, bounds in test_funcs:
    print(f"\n===== {fname} =====")
    for aname, algo in algorithms:
        history = algo(func, dim=dim, bounds=bounds, max_iter=max_iter)
        print(f"  {aname}: 最优={history[-1]:.6f}")

三、运行结果

3.1 控制台输出

复制代码 
===== Sphere =====
  GA: 最优=0.008459
  PSO: 最优=0.000010
  SA: 最优=4.292638
  DE: 最优=0.000085
  ACO: 最优=38.025978

===== Rosenbrock =====
  GA: 最优=8.530541
  PSO: 最优=7.509120
  SA: 最优=27.989428
  DE: 最优=6.385049
  ACO: 最优=586.418290

===== Rastrigin =====
  GA: 最优=7.231806
  PSO: 最优=12.320289
  SA: 最优=59.652024
  DE: 最优=41.829613
  ACO: 最优=87.136393

===== Ackley =====
  GA: 最优=0.127063
  PSO: 最优=0.001506
  SA: 最优=6.422770
  DE: 最优=0.034487
  ACO: 最优=7.255058

===== Griewank =====
  GA: 最优=0.008372
  PSO: 最优=0.007398
  SA: 最优=0.838557
  DE: 最优=0.077606
  ACO: 最优=0.853547

3.2 结果对比

函数 GA PSO SA DE ACO
Sphere 8.46e-3 1.00e-5 4.29 8.50e-5 38.03
Rosenbrock 8.53 6.39(DE) 27.99 6.39 586.42
Rastrigin 7.23 12.32 59.65 41.83 87.14
Ackley 0.127 0.002 6.42 0.035 7.26
Griewank 0.008 0.007 0.84 0.078 0.85

3.3 收敛曲线对比

图1：五种算法在五个测试函数上的收敛曲线对比

3.4 各函数单独收敛曲线


图2：Sphere函数收敛对比


图3：Rosenbrock函数收敛对比


图4：Rastrigin函数收敛对比


图5：Ackley函数收敛对比


图6：Griewank函数收敛对比

四、结果分析

  1. PSO综合表现最佳：在Sphere、Ackley、Griewank上均取得最优结果，收敛速度快
  2. DE在Rosenbrock上最优：Rosenbrock是多峰函数，DE的差分变异策略效果显著
  3. GA在Rastrigin上最优：GA的交叉变异机制适合Rastrigin的多峰搜索
  4. SA收敛较慢：模拟退火在有限迭代内难以充分收敛
  5. ACO（连续优化版）在简单函数上表现一般：标准ACO更适合离散组合优化

五、参数设置

算法 参数 数值
GA 种群/交叉率/变异率 50 / 0.8 / 0.1
PSO 种群/w/c1/c2 50 / 0.7 / 1.5 / 1.5
SA 初温/终温/降温系数 100 / 0.01 / 0.95
DE 种群/F/CR 50 / 0.5 / 0.9
ACO 蚂蚁数/挥发系数 50 / 0.1

六、总结

本文使用Python实现了5种经典智能优化算法（GA、PSO、SA、DE、ACO），并在5个标准测试函数（Sphere、Rosenbrock、Rastrigin、Ackley、Griewank）上进行了对比实验。实验结果表明：

  • PSO在大多数函数上表现最优
  • DE在复杂多峰函数上具有优势
  • GA在特定问题上表现突出
  • 不同算法各有适用场景

参考资料

  • Kennedy J, Eberhart R. Particle swarm optimization. 1995.
  • Storn R, Price K. Differential evolution-a simple and efficient heuristic. 1997.
  • Dorigo M, Stutzle T. Ant Colony Optimization. 2004.

完整代码可直接运行，如有问题欢迎交流！

相关推荐
ting94520001 小时前
Tornado 全栈技术深度指南：从原理到实战
人工智能·python·架构·tornado
果汁华2 小时前
Browserbase Skills：让 Claude Agent 真正“看见“网页世界
人工智能·python
ZhengEnCi2 小时前
04-缩放点积注意力代码实现 💻
人工智能·python
DeepReinforce2 小时前
三、AI量化投资：使用akshare获取A股主板20260430所有的涨停股票
python·量化·akshare·龙头战法
段一凡-华北理工大学3 小时前
【高炉炼铁领域炉温监测、预警、调控智能体设计与应用】~系列文章08：多模态数据融合：让数据更聪明
人工智能·python·高炉炼铁·ai赋能·工业智能体·高炉炉温
万粉变现经纪人3 小时前
如何解决 pip install llama-cpp-python 报错 未安装 CMake/Ninja 或 CPU 不支持 AVX 问题
开发语言·python·开源·aigc·pip·ai写作·llama
清风明月一壶酒3 小时前
OpenClaw自动处理Word文档全流程
开发语言·c#·word
其实防守也摸鱼3 小时前
CTF密码学综合教学指南--第五章
开发语言·网络·笔记·python·安全·网络安全·密码学
callJJ4 小时前
Spring Data Redis 两种编程模型详解：同步 vs 响应式
java·spring boot·redis·python·spring
热门推荐
01要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法02GitHub 镜像站点03Codex 接入 DeepSeek API 完整配置文档04零基础教你claude code 接入 deepseek V405【AI】2026 年具身智能模型和世界模型总结06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07几个好用的ip纯净度检测网站082026年AI前瞻：量子AI、具身智能与科学发现的新纪元09CC-Switch & Claude 基于 Linux 服务器安装使用指南10在Windows 11上安装Docker的踩坑记录