人工大猩猩部队优化器：一种新的面向全局优化问题的自然启发元启发式算法（Matlab代码实现）-Toy模板网

这篇具有很好参考价值的文章主要介绍了人工大猩猩部队优化器：一种新的面向全局优化问题的自然启发元启发式算法（Matlab代码实现）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

💥1 概述

元启发式在解决优化问题方面发挥着关键作用，其中大多数都受到自然界中自然生物集体智慧的启发。本文提出了一种新的元启发式算法，其灵感来自自然界大猩猩部队的社会智能，称为人工大猩猩部队优化器（GTO）。在这个算法中，大猩猩的集体生活被数学公式化，并设计了新的机制来进行探索和开发。为了评估 GTO，本文将其应用于 52 个标准基准函数和 7个工程问题。弗里德曼检验和威尔科克森秩和统计检验将所提出的方法与几种现有的元启发式方法进行了统计比较。

结果表明，在高维问题上GTO在大多数基准函数上的表现优于比较算法。与其他元启发式方法相比，GTO可以提供更好的结果。

📚2 运行结果

人工大猩猩部队优化器：一种新的面向全局优化问题的自然启发元启发式算法（Matlab代码实现）

主函数部分代码：

%Artificial Gorilla Troops Optimizer

clear all
close all
clc

% Population size and stoppoing condition
pop_size=30;
max_iter=100;

% Define your objective function's details here
fobj = @ObjectiveFunction;
variables_no=10;
lower_bound=-100; % can be a vector too
upper_bound=100; % can be a vector too

[Silverback_Score,Silverback,convergence_curve]=GTO(pop_size,max_iter,lower_bound,upper_bound,variables_no,fobj);

figure

% Best optimal values for the decision variables
subplot(1,2,1)
parallelcoords(Silverback)
xlabel('Decision variables')
ylabel('Best estimated values ')
box on

% Best convergence curve
subplot(1,2,2)
plot(convergence_curve);
title('Convergence curve of GTO')
xlabel('Current_iteration');
ylabel('Objective value');
box on