Python猎人猎物优化函数极值寻优程序，Hunter-Prey-Optimization

智能优化算法：捕食者算法Hunter–prey optimization 的MATLAB源码

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。

针对粒子群算法的早熟收敛问题，提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值，根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力，增大寻找全局最优的几率。对几种典型函数的测试结果表明，新算法的全局搜索能力有了明显的提高，有效避免了早熟收敛问题。

包括了一维最优化算法 如：0.618法、分数法、二次差值法、三次插值法等源代码 还包括了无约束最优化部分的 共轭梯度法、DFP变尺度法（用导数或者用差分代替导数）、阻尼最小二乘法、鲍威尔法、模式搜索法、单纯性法等程序源代码 其次，约束最优化部分，提供了混合罚函数法（DFP)，混合罚函数法(POWELL)，综合约束函数双下降法、可变容差法、复合形法、网格法、随机实验法、解线性规划的单纯型法等等方法的源代码。

多个函数利用多种粒子群算法解决优化问题： 用二阶粒子群优化算法求解无约束优化问题 用二阶振荡粒子群优化算法求解无约束优化问题 用混沌粒子群优化算法求解无约束优化问题 用基于选择的粒子群优化算法求解无约束优化问 用基于交叉遗传的粒子群优化算法求解无约束优化问 用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题 用学习因子同步变化的粒子群优化算法求解无约束优化问题 用学习因子异步变化的粒子群优化算法求解无约束优化问题

本资源为MATLAB代码和相应的说明文件，并增加了测试函数的使用实例，收集了越50个在优化算法中常用的测试函数，可用来验证优化算法的优化效果，避免陷入局部最优。对于其他测试函数，可参照使用说明中的实例进行使用

【白冠鸡优化算法】基于白冠鸡优化算法求解单目标优化问题（COOT）含Matlab源码

蛇优化算法是Fatma A. Hashim和Abdelazim G. Hussien于2022年提出的一种基于蛇行为模拟的算法。它模拟了蛇在自然界中的觅食，战斗，交配，产卵等行为。该算法快速有效，能高效地求解出目标函数的最优解。

Optimal Micro-siting of Wind Farms by Particle Swarm Optimization