本研究介绍了一种名为weIghted meaN oF vectOrs（INFO）的创新优化器的分析和原理，以优化不同的问题。INFO是一种修正的权重均值方法，其中加权均值思想用于实体结构，并使用三个核心过程更新向量的位置：更新规则，向量组合和局部搜索。更新规则阶段基于基于均值的定律和收敛加速，以生成新的向量。向量组合阶段创建获得的向量与更新规则的组合，以实现有希望的解决方案。INFO中改进了更新规则和矢量组合步骤，以提高勘探和开发能力。此外，本地搜索阶段有助于该算法摆脱低精度解决方案，并改善开发和收敛。INFO的性能在48个数学测试函数和5个约束工程测试用例中进行了评估。根据文献，结果表明，INFO在勘探和开发方面优于其他基本和先进的方法。在工程问题的情况下，结果表明INFO可以收敛到全局最优解的0.99%。因此，INFO算法是优化问题中实现最优设计的有前途的工具，这源于该算法在优化约束情况下的可观效率。

使用此代码请引用论文这是论文的源代码：Pradeep Jangir，Narottam Jangir：一种新的非支配排序灰狼优化器（NS-GWO）算法：解决工程设计和经济约束排放调度的开发和应用风力发电一体化的问题。 。 应用Artif。 智力72: 449-467 (2018) https://doi.org/10.1016/j.engappai.2018.04.018 。 更多信息可以在： https : //www.researchgate.net/profile/Pradeep_Jangir6

由两个随机求解器组成的多背包求解器：i) 通过交叉熵方法和 ii) 通过 Botev-Kroese 方法解决以下问题 最大 S(X)=(p^{t}X) 英石。 WX <= c 请运行演示文件： test_ce_knapsack.m test_cemcmc_knapsack.m 注意您可能需要重新编译 mex 文件。 请打开运行“mexme_mks”在您自己的平台上进行编译。

使用此代码请引用论文这是论文的源代码：S. Mirjalili, P. Jangir, and S. Saremi, Multi-objective ant lion optimizer: a multi-objective optimization algorithm for solve engineering questions.” 应用智能, (2016): 1-17, DOI: http://dx.doi.org/10.1007/s10489-016-0825-8 Ant Lion Optimizer 的多目标版本

AGWO 是对原始灰狼优化器 (GWO) 的增强，由 Mohammed H.Qais 等人提出。在这里，我们提出了一种新的基于增强灰狼优化器和布谷鸟搜索（AGWOCS）的混合元启发式算法，如附件所示。 AGWOCS算法的研究论文： A Novel Hybrid Metaheuristic based on Augmented Grey Wolf Optimizer and Cuckoo Search for Global Optimization (ISCCC 2021), India, 2021, pp.376-381, DOI: https://doi.org/10.1109/ICSCCC51823.2021.9478142 原始 AGWO 算法描述于：https ://doi.org/10.1016/j.asoc.2018.05.006

多目标非排序鲸鱼优化算法 (MOWOA) (NSWOA) MATLAB 代码

GODLIKE (Global Optimum Determination by Linking and Interchanging Kindred Evaluators) 是各种基于种群的全局优化方案的泛化。此外，它只需添加额外的目标函数即可处理单目标和多目标优化。 GODLIKE 使用遗传算法、差分进化、粒子群优化和自适应模拟退火算法的相对基本实现来解决优化问题。它的强大之处在于这些不同的算法同时运行（链接），并且来自每个群体的成员偶尔会交换（交换）以减少收敛到局部最小化器的机会。 它的主要目的是提高鲁棒性，而不是提高效率，因为它通常需要比单独的任何算法更多的功能评估。它还旨在消除每次遇到优化问题时都需要微调这些算法，并概括优化本身（它既是单目标优化器又是多目标优化器），并生成要使用的简单图在快速报告等

MOMRFO：多目标蝠鲼觅食优化器 在 MOMRFO 中，集成了一个固定大小的外部存档，通过在优化过程中保存最佳 Pareto 集来维护精英概念。该存档基于网格机制进行更新，以在目标空间内保持蝠鲼的良好分布。 主要论文可以在这里找到：A. Got, D. Zouache, A. Moussaoui, MOMRFO: Multi-Objective Manta Ray Foraging Optimizer for processing engineering design questions, Knowledge Based-Systems, DOI: https://doi.org/ 10.1016/j.knosys.2021.107880

这是具有非支配排序和拥挤距离方法 (MOBO2) 的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。https://doi.org/10.1007/s10115-020-01503-x

具有网格索引方法的多目标 Bonobo 优化器 Multi-objective Bonobo optimizer with grid-index approach 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。它被命名为MOBO1。 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。