16种优化算法合集

最后更新于：2024-04-01 00:00:51

一、代码运行环境

已测试MATLAB2017以上版本。

二、程序介绍

注：图标代表该m文件为脚本文件，可以直接运行；图标代表函数文件，在没有输入变量的情况下无法直接运行。更详细的解释可以看这里。

1.OAfuns文件夹

第三方的优化算法代码库，是实现寻优的底层代码。该文件夹中的文件不需要修改。当移植代码时，该文件夹需要随其他文件一起移植。可以调用的优化算法包括：

1.麻雀搜索算法（SSA）、
2.灰狼优化算法（GWO）、
3.鲸鱼优化算法（WOA）、
4.蚁狮优化算法（ALO）、
5.飞蛾扑火优化算法（MFO）、
6.蜻蜓优化算法（DA）、
7.多元宇宙优化算法（MVO）、
8.正弦余弦算法（SCA）、
9.樽海鞘优化算法（SSA2）、
10.海洋捕食者算法（MPA）、
11.算术优化算法（AOA）、
12.小龙虾优化算法（COA）、
13.粒子群优化算法（PSO）、
14.非线性权重粒子群优化算法（IPSO）、
15.运动编码粒子群优化算法（MPSO）、
16.基于非对称时变加速系数调整策略的粒子群算法（TACPSO）。

2.demoOA.m文件

通用优化算法框架函数kOptimizationAlgorithm的测试文件，可以直接运行。只需要设置寻优相关的参数即可运行，运行该文件，将绘制以下图片：

另外在命令行窗口将会打印：

3.kOptimizationAlgorithm.m文件

通用优化算法框架，该代码提供了多种优化算法的接口。用户可以根据需要选择不同的算法来解决特定的优化问题。其中包含了16种寻优算法的集合调用，只需要修改入口参数中选用的寻优算法类型即可。

需注意该函数文件不能直接运行，需参照demoOA的演示案例进行调用。

function [Best_pos,Best_score,curve] = kOptimizationAlgorithm(OAmethod, dataforFitness, lb, ub, dim, pop, Max_iteration)
% 通用优化算法框架，该代码提供了多种优化算法的接口。用户可以根据需要选择不同的算法来解决特定的优化问题。
% 本代码地址及代码说明：http://khsci.com/docs/index.php/2024/03/17/oa/
% 算法讲解地址：https://zhuanlan.zhihu.com/p/687417410
% 输入参数:
% OAmethod：字符串，指定使用的优化算法。可选方法包括：（截至2024.3.16，共16种方法，后续更新见手册网页：）
%           'SSA' - Sparrow Search Algorithm (麻雀搜索算法)
%           'GWO' - Grey Wolf Optimizer (灰狼优化算法)
%           'WOA' - Whale Optimization Algorithm (鲸鱼优化算法)
%           'ALO' - Ant Lion Optimizer (蚁狮优化算法)
%           'MFO' - Moth Flame Optimizer (飞蛾扑火优化算法)
%           'DA'  - Dragonfly Algorithm (蜻蜓优化算法)
%           'MVO' - Multi-Verse Optimizer (多元宇宙优化算法)
%           'SCA' - Sine Cosine Algorithm (正弦余弦算法)
%           'SSA2'- Salp Swarm Algorithm (樽海鞘优化算法)
%           'MPA' - Marine Predator Algorithm (海洋捕食者算法)
%           'AOA' - Arithmetic Optimization Algorithm (算术优化算法)
%           'COA' - Crayfish Optimization Algorithm (小龙虾优化算法)
%           'PSO' - Particle Swarm Optimization (粒子群优化算法)
%           'IPSO'- 非线性权重粒子群优化算法
%           'MPSO'- 运动编码粒子群优化算法
%           'TACPSO'- 基于非对称时变加速系数调整策略的粒子群算法
% dataforFitness：数据集，用于评估优化问题中目标函数的适应度。
% lb：数组，定义了每个参数的下限。
% ub：数组，定义了每个参数的上限。
% dim：整数，优化问题的维度，即需要优化的参数数量。
% pop：整数，优化算法中的种群数量。比如在GWO算法中代表狼群数量
% Max_iteration：整数，优化算法的最大迭代次数。
%
% 输出参数:
% Best_pos：数组，表示获得的最佳参数位置。
% Best_score：浮点数，最佳位置对应的适应度值。
% curve：数组，记录了每次迭代最佳适应度值的变化，用于绘制收敛曲线。

4.funFitness.m文件

适应度函数，此代码需要根据应用场景做适应性修改。目前代码中使用的目标函数为：fitness = (a-1)^2 + (b-2)^2，大家需要根据自己的实际场景修改此函数文件。

修改此文件需要一定代码基础，为了方便大家快速使用，完整版代码中附送了适应度函数修改替换的视频教程。

%% 适应度函数，此代码需要根据应用场景做适应性修改
function [fitness] = funFitness(x,dataforFitness)
% 输入：
% x是待优化参数，为数组。x(1)是第一个待优化参数，x(2)是第二个，以此类推。
% dataforFitness为结构体，表示导入到适应度函数的参数，按照数据实际情况设置。可以没有
% 输出：
% fitness是适应度函数

三、快速开始

1.运行测试脚本

先在MATLAB里打开下载好的文件夹，然后运行demoOA.m程序，程序运行完毕后如果没报错，且正常画出适应度函数收敛曲线图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据（完整版中有修改演示视频）

打开funFitness.m文件，将你的适应度函数文件替换到其中。需要注意以下几点：

（1）x为待优化数据，他是一个数组。x(1)是第一个待优化参数，x(2)是第二个，以此类推。在有些场景下，待优化参数是需要限定为整数值的，此时对应的参数在导入到你的适应度函数之前，需要使用round进行取整。

（2）对于dataforFitness的设置，不同的场景不尽相同，此处为连接脚本数据和适应度函数需使用数据的接口。例如待分类数据、标签值、待滤波数据等等，均需要从此处导入。注意，请使用结构体的方式导入。

（3）需要注意，fitness作为寻优收敛的对象，寻优算法是以寻找fitness的最小值为目标，如果你的研究对象中希望寻找的是最大值，那么需要以其负数为fitness。

3.设置寻优相关参数

参照 demoOA.m文件中第一步。修改以下几个参数：

% OAmethod：字符串，指定使用的优化算法。
% dataforFitness：数据集，用于评估优化问题中目标函数的适应度。
% lb：数组，定义了每个参数的下限。
% ub：数组，定义了每个参数的上限。
% dim：整数，优化问题的维度，即需要优化的参数数量。
% pop：整数，优化算法中的种群数量。比如在GWO算法中代表狼群数量
% Max_iteration：整数，优化算法的最大迭代次数。

这几个参数都比较容易理解，就不过多讲解了，大家参照案例演示修改即可。

4.运行程序

此时运行程序即可。

四、关于完整版与公开版代码

五、获取公开版程序（需使用电脑浏览器打开）

注：公开版代码需使用MATLAB2022a及以上版本。

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需79元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

20240317 完成初版代码

八、常见问题

1.为什么运行出来得到的适应度函数收敛曲线两张图一样？对数曲线图为什么没有按对数形式显示？

这通常是由于适应度函数数值没有发生比较大的变化，尤其是没有数量级的变化，此时没有必要对数值取对数，就会导致两张收敛曲线图相同。此时大家使用第一张图像即可（黑色曲线的）。