WAO水优化算法的源代码：一种解决优化问题的新型元启发式算法(matlab)

Solar Sail 问题求解器，基于元启发式优化算法：GWO、WOA 等(c#)

paradiseo启发式优化框架

Ant Lion Optimizer (ALO) 模仿自然界中蚁狮的狩猎机制。 狩猎猎物的五个主要步骤得以实现，例如随机行走蚂蚁，筑筑陷阱，将蚂蚁困在陷阱中，捕捉猎物和重建陷阱。 这是论文的源代码： Seyedali Mirjalili，The Ant Lion Optimizer，工程软件进展，第 83 卷，2015 年 5 月，第 80-98 页，ISSN 0965-9978， http: //dx.doi.org/10.1016/j.advengsoft.2015.01.010。 ( http://www.sciencedirect.com/science/article/pii/S0965997815000113 ) 更多信息请见： http : //www.alimirjalili.com/ALO.html 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的

为了开发一种高效，受自然启发的优化算法，我们在此提出了一种新颖的元启发式方法，称为晶体结构算法（CryStAl）。 该方法的主要灵感来自从基础添加到晶格点所形成的晶体结构的基本原理，这是一种自然现象，可以从组分（即原子，分子或离子）的对称排列中看出。晶体矿物，例如石英。 原始纸： 晶体结构算法（CryStAl）：一种元启发式优化方法Siamak Talatahari，迈赫迪阿齐兹，穆罕默德Tolouei，巴巴克Talatahari和Pooya Sareh IEEE访问

所提出的范式模拟了乌鸦-杜鹃-猫系统模型中捕食者（猫）、寄生虫（杜鹃）和宿主（乌鸦）之间的相互作用。 因此，这个混合框架结合了猫群优化（CSO）、布谷鸟搜索（CS）和乌鸦搜索算法（CSA）的相对优势。 此代码演示了 PPA 如何适用于 23 个常用基准。 更多信息请参考： Mohamed AAA、Hassan SA、Hemeida AM 等人（2019 年）。 寄生捕食算法（PPA）：一种新的特征选择方法。 Ain Shams Engineering Journal. DOI: http://dx.doi.org/10.1016/j.asej.2019.10.004 https://www.sciencedirect.com/science/article/pii/S2090447919301406

受非洲秃鹰生活方式的启发，提出了一种新的元启发式算法。该算法被命名为非洲秃鹰优化算法（AVOA），模拟非洲秃鹰的觅食和导航行为。为了评估 AVOA 的性能，它首先在 36 个标准基准函数上进行了测试。然后进行了一项比较研究，证明了所提出的算法与几种现有算法相比的优越性。为了展示 AVOA 的适用性及其黑盒性质，它被用来为 11 个工程设计问题寻找最佳解决方案。根据实验结果，AVOA 是 36 个基准函数中的 30 个的最佳算法，并在大多数工程案例研究中提供卓越的性能。Wilcoxon 秩和检验用于统计评估，表明 AVOA 算法在 95% 置信区间内具有显着优势。

一种元启发式算法 与基本的蝙蝠算法（BA）不同，NBA中不同的个体有不同的搜索策略，并且在NBA中也嵌入了自适应的局部搜索策略。 从这个意义上说，NBA 是一种多群自适应算法。 模拟和比较显示了NBA在许多元启发式算法上的优越性。

如今，优化算法的设计非常流行来解决各个科学领域的问题。 优化算法通常受代理的自然行为启发，代理可以是人类、动物、植物或物理或化学代理。 过去十年中提出的大多数算法都是受动物行为启发的。 在本文中，我们提出了一种新的优化器算法，称为野马优化器（WHO），其灵感来自野马的社交生活行为。

自私畜群优化器 (SHO) 是一种元启发式算法，它基于对受到某种形式的捕食风险的动物群中的个体所表现出的广泛观察到的自私畜群行为的模拟。 在 SHO 中，个体通过两种类型的搜索代理模拟猎物和捕食者之间的掠夺性互动：自私群体（猎物）的成员和一群饥饿的捕食者。 根据它们被分类为猎物还是捕食者的不同，每个人都是由受这种猎物—捕食者关系启发的一组独特的进化算子来进行的。 这些独特的特性使 SHO 能够在不改变种群规模的情况下改善探索和开发之间的平衡。 更多详情可见： http://www.sciencedirect.com/science/article/pii/S030326471730103X MATLAB 软件该软件包含一个主函数 SHO_Example.m，它实现了 Ackley 函数的优化。