Project02_幼儿园小朋友优化算法CEC2014算法测试_多个算法测试代码

频道介绍

1. 博主简介：科研工作dog
2. 编程语言：MATLAB为主、Python为辅
3. 研究内容：启发式算法设计与应用
4. 主要细分研究领域：物流工程系统优化、工业工程、供应链网络优化等
5. 频道主要功能：科研领域知识分享、交流，算法、代码分享。

文章引用

张庭溢,汪弘健. 幼儿园小朋友优化算法 [J]. 计算机工程与应用, 2024, 60 (23): 109-125.

摘要

为提升黑猩猩优化算法开发精度和全局搜索能力，通过观察、总结 4-6 岁幼儿园小朋友行为特点，建立数学模型，提出幼儿园小朋友优化算法（KCOA）。算法设计中，小朋友具有玩具吸引、找伙伴、小红花三种社会行为。玩具吸引策略体现最优个体引领作用，找伙伴策略增强普通个体交流与探索能力，避免局部极值，小红花策略实时评估更新劣解，提升收敛速度和精度。

算法核心策略

1.玩具吸引策略

通过非线性半径系数 R 平衡全局搜索与局部开发，数学模型为：
$$A_i^{t+1}=A_{best}^t+R\times |A_{best}^t-r_1\times A_i^t|$$
$$R=2.5\times (1-(t/T_{max}{)}^3{)}^4$$
其中，$A_i^t$为当前个体位置，$A_{b}es{t}^t$为最优个体位置，$r_1$为[0,1]随机数，$T_{m}ax$为最大迭代次数。

2.找伙伴策略

通过混沌参数 M 实现普通个体间交流，数学模型为：
$$\begin{array}{rl}& A_i^{t+1}=A_i^t-M\times C_1\times A_{rand}^t\\ & C_1=1-T/T_{max}\\ & M=Chaoticvalue\end{array}$$
其中，$A_{rand}^t$为随机个体位置，M 由 logistic 混沌序列生成

3.小红花策略

通过评价因子筛选劣解并更新，数学模型为：

$$evaluat{e}_i=\frac{Fitness(A_{max})-Fitness(A_i)}{Fitness(A_{max})-meanFitness}$$
$当evaluat{e}_i\le 0.15$时，触发更新：

$$A_i^{t+1}=A_{best}+\frac{A_{r1}^t-(-1{)}^b\times A_{r2}^t}{3}$$

其中，$A_r{1}^t$、$A_{r2}^t$为随机个体，b为随机自然数。

4.算法流程

实验验证

测试函数：
CEC2014 测试函数中的单峰和多峰问题，如下:

对比算法：
粒子群算法
横向交叉粒子群优化算法
灰狼优化算法
遗传算法
幼儿园小朋友优化算法（本文算法）
评价次数：维度 * 10000；
种群大小：50；
问题维度：10 （其他维度不测试了）

测试结果