近年来比较新型的群智能算法，与与遗传算法、粒子群算法等相比，有其特有的优势，可互相借鉴，可作为解决优化问题的一种新思路

粒子群算法的Pareto多目标函数优化,多目标粒子群优化算法原理,matlab源码

利用（μ,λ）演化策略求解Ackley函数极小化问题。主要包括种群初始化、重组、变异、（μ,λ）存活选择四个步骤来进行求解。

引力搜索算法 (GSA) 是一种基于引力和质量相互作用定律的优化算法。该算法基于牛顿引力：“宇宙中的每个粒子都以与它们的乘积成正比的力吸引其他每个粒子。它们的质量与它们之间距离的平方成反比”。

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差，精度低的缺点，提出了一个改进的人工蜂群算法，利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式，并引入异步变化学习因子，保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试，结果表明改进的人工蜂群算法优于原算法。

增强型烟花算法，论文和matlab代码。自从烟花算法的开创性论文由谭营教授等人于2010年发表之后[1] ，业界对烟花算法的研究逐步深入和铺开。通过对原始烟花算法的细致、深入的分析，针对原始烟花算法（FWA）的不足，提出了大量的改进方法，并据此发展了各种改进算法，以及与其他方法的混合方法，大大提高的原始烟花算法的性能，同时研究了烟花算法在求解不同类型优化问题的能力，还有大量的研究人员进行了烟花算法的应用研究，给出了一些典型的成功应用案例。

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。 更多还原

伊藤算法同遗传算法一样，是一种粒子优化算法，该算法模拟花粉的布朗运动，满足维纳过程，设置粒子的漂移和波动，漂移代表解的趋势项，即朝好的解漂移；波动代表振动项，即在解的周围波动，寻找更好的解。同时还有温度的影响，模拟的是退火过程。 伊藤算法能够解决函数优化问题，组合优化问题等NP难问题，而且程序简单，迭代次数少就能找到很好的解，特别适合函数优化问题，所以是一个非常好的优化算法。

一种新的混合优化算法，称为“（HSSOGSA）”，结合“重力” 提出了搜索算法（GSA）''和''精子群优化（SSO）''。 所提出算法背后的基本概念和思想是将 SSO 中的开发能力与 GSA 中的探索能力相结合，以综合两种算法的优势。 论文：Shehadeh, Hisham A.“用于全局优化的混合精子群优化和引力搜索算法 (HSSOGSA)。” 神经计算与应用，Springer Science and Business Media LLC，2021 年 3 月，doi：10.1007/s00521-021-05880-4。

这项工作将十张混沌图嵌入到最近提出的基于人口的元启发式算法称为引力搜索算法 (GSA) 的引力常数 (G) 中。 此外，还提出了一种自适应归一化方法，以平滑地从探索阶段过渡到开发阶段。 作为案例研究，十二个偏移和有偏差的基准函数在探索和利用方面评估了所提出的基于混沌的 GSA 算法的性能。 文章链接： http : //www.sciencedirect.com/science/article/pii/S1568494617300121 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% 的折扣： ****************************************************** ****************************************************** *****************************