最新优化算法

优化算法MATLAB与Python

机器人路径规划：基于Q-learning算法的移动机器人路径规划，可以自定义地图，修改起始点，提供MATLAB代码Q-learning算法是强化学习算法中的一种，该算法主要包含：Agent、状态、动作、环境、回报和惩罚。Q-learning算法通过机器人与环境不断地交换信息，来实现自我学习。Q-learning算法中的Q表是机器人与环境交互后的结果，因此在Q-learning算法中更新Q表就是机器人与环境的交互过程。机器人在当前状态s(t)下，选择动作a,通过环境的作用，形成新的状态s(t+1),并产生回报或惩罚r(t+1),通过式(1)更新Q表后，若Q(s,a)值变小，则表明机器人处于当前位置时选择该动作不是最优的

优化算法MATLAB与Python

微电网优化：基于海象优化算法（Walrus Optimization Algorithm，WOA）的微电网优化（提供MATLAB代码）微电网是一个相对独立的本地化电力单元，用户现场的分布式发电可以支持用电需求。为此，您的微电网将接入、监控、预测和控制您本地的分布式能源系统，同时强化供电系统的弹性，保障您的用电更经济。您可以在连接到电网或断开电网连接状态下使用微电网。当电网停限电或用电成本过高时，微电网会自动响应。微电网控制系统可实现对发电、储电和用电的综合管理调度。与电网在集中式发电厂发电，然后沿着发-输-配-变-用的单向能量传递不同，微电网重点关注用户本地的分布式发电系统。对于发电，微电网通常使用光伏、柴油发电机和风机等可再生能源的组

优化算法MATLAB与Python

栅格地图路径规划：4种最新算法（小龙虾优化算法COA、螳螂搜索算法MSA、红尾鹰算法RTH、霸王龙优化算法TROA）求解机器人路径规划（提供MATLAB代码）移动机器人（Mobile robot，MR）的路径规划是移动机器人研究的重要分支之，是对其进行控制的基础。根据环境信息的已知程度不同，路径规划分为基于环境信息已知的全局路径规划和基于环境信息未知或局部已知的局部路径规划。随着科技的快速发展以及机器人的大量应用，人们对机器人的要求也越来越高，尤其表现在对机器人的智能化方面的要求，而机器人自主路径规划是实现机器人智能化的重要步骤，路径规划是指规划机器人从起点位置出发，无碰撞、安全到达指定目标位置的最优路径。目前，常用的移动机器人全局路径规划方法很多，如栅格法

优化算法MATLAB与Python

角蜥优化算法（Horned Lizard Optimization Algorithm ，HLOA）求解无人机路径优化无人机三维路径规划是指在三维空间中为无人机规划一条合理的飞行路径，使其能够安全、高效地完成任务。路径规划是无人机自主飞行的关键技术之一，它可以通过算法和模型来确定无人机的航迹，以避开障碍物、优化飞行时间和节省能量消耗。

优化算法MATLAB与Python

2023最新群智能优化算法：巨型犰狳优化算法（Giant Armadillo Optimization，GAO）求解23个基准函数（提供MATLAB代码）巨型犰狳优化算法（Giant Armadillo Optimization，GAO）由Omar Alsayyed等人于2023年提出，该算法模仿了巨型犰狳在野外的自然行为。GAO设计的基本灵感来自巨型犰狳向猎物位置移动和挖掘白蚁丘的狩猎策略。GAO理论在两个阶段进行表达和数学建模：（i）基于模拟巨型犰狳向白蚁丘的运动的探索，以及（ii）基于模拟巨型犰狳的挖掘技能以捕食和撕裂白蚁丘的开发。

优化算法MATLAB与Python

2024最新算法：斑翠鸟优化算法（Pied Kingfisher Optimizer ,PKO）求解23个基准函数（提供MATLAB代码）斑翠鸟优化算法（Pied Kingfisher Optimizer ,PKO），是由Abdelazim Hussien于2024年提出的一种基于群体的新型元启发式算法，它从自然界中观察到的斑翠鸟独特的狩猎行为和共生关系中汲取灵感。PKO 算法围绕三个不同的阶段构建：栖息/悬停猎物（探索/多样化）、潜水寻找猎物（开发/集约化）和培养共生关系。这些行为方面被转化为数学模型，能够有效地解决不同搜索空间中的各种优化挑战。

五种多目标优化算法（MSSA、MOJS、NSWOA、MOPSO、MOAHA）性能对比，包含6种评价指标，9个测试函数（提供MATLAB代码）为了测试5种算法的性能将其求解9个多目标测试函数（zdt1、zdt2 、zdt3、 zdt4、 zdt6 、Schaffer、 Kursawe 、Viennet2、 Viennet3），其中Viennet2 与Viennet3的目标数为3，其余测试函数的目标数为2，并采用6种评价指标（IGD、GD、HV、Coverage、Spread、Spacing）进行评价对比

优化算法MATLAB与Python

五种多目标优化算法（MOGWO、MOJS、NSWOA、MOPSO、MOAHA）性能对比（提供MATLAB代码）为了测试5种算法的性能将其求解9个多目标测试函数（zdt1、zdt2 、zdt3、 zdt4、 zdt6 、Schaffer、 Kursawe 、Viennet2、 Viennet3），其中Viennet2 与Viennet3的目标为3，其余测试函数的目标为2，并采用6种评价指标（IGD、GD、HV、Coverage、Spread、Spacing）进行评价对比

五种多目标优化算法（MOAHA、MOGWO、NSWOA、MOPSO、NSGA2）性能对比，包含6种评价指标，9个测试函数（提供MATLAB代码）为了测试5种算法的性能将其求解9个多目标测试函数（zdt1、zdt2 、zdt3、 zdt4、 zdt6 、Schaffer、 Kursawe 、Viennet2、 Viennet3），其中Viennet2 与Viennet3的目标数为3，其余测试函数的目标数为2，并采用6种评价指标（IGD、GD、HV、Coverage、Spread、Spacing）进行评价对比