GTO（Artificial gorilla troops optimizer）（matlab智能优化算法）(2021).zip

为了快速理解免疫遗传算法，以图片拟合为背景，使用python实现免疫遗传算法的手动实现，详细解析请查看我的博客：https://editor.csdn.net/md?not_checkout=1&articleId=124096240

测试函数优化算法，CEC2017测试源代码，CEC2019测试函数源代码，包含pdf

链接：https://blog.csdn.net/weixin_44315848/article/details/123619555

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

智能优化算法：其中包含遗传算法、蚁群算法、模拟退火算法、差分进化算法等以及一些代码

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题，借鉴混沌序列、模拟退火算法和遗传算法，提出Tent混沌和模拟退火改进的飞蛾扑火优化算法。首先，通过Tent混沌序列初始化种群，增加种群多样性；然后对当前最优解增加扰动产生新解，并与当前最优解按比例杂交相加，根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解，最终获得最优解。分别使用复杂高维基准函数和航迹规划问题测试算法性能。其中，6个复杂基准函数寻优测试结果表明，对于10维基准函数，该算法经过约0.25秒收敛到最优值；对于50维基准函数，该算法经过约0.5秒收敛到最优值。与标准飞蛾扑火优化算法和其它智能优化算法相比，该算法能够有效跳出局部最优解，寻优精度更高，收敛速度更快。航迹规划仿真表明，对有4个禁飞区和2个威胁源的空域环境，该算法经过大约100次迭代可以得到最优航迹，与标准飞蛾扑火优化算法相比精度更高，具有实际应用价值。因此，该算法具有更好的寻优性能。

智能优化算法matlab实现。包括：差分进化算法、禁忌搜索算法、粒子群算法、免疫算法、模拟退火算法、神经网络算法、遗传算法、蚁群算法。

【智能优化算法 】基于烟花算法求解单目标优化问题含Matlab源码.zip