基于大蔗鼠优化策略：改进的大蔗鼠优化算法IGCRA与自然觅食行为结合的元启发式算法研究,改进的IGCRA：三大策略驱动的大蔗鼠优化算法(Greater Cane Rat Algorithm with Enhanced Strategies)在CEC2005测试中的表现及展望,改进的大蔗鼠优化算法（IGCRA），三个改进策略。 快人一步发paper 2024新算法——蔗鼠优化算法Greater Cane Rat Algorithm，GCRA，蔗鼠算法(GCRA)是受蔗鼠觅食和交配行为启发而提出的一种新的元启发式算法，该成果于2024年5月23日在线发表。 GCRA优化过程的灵感来自于大蔗鼠交配季节和非交配季节的智能觅食行为。 它们是高度夜行性的动物，当它们在芦苇和草丛中觅食时，它们会留下痕迹。 这些小路随后会通向食物、水源和住所。 探索阶段是当它们离开分散在它们领地周围的不同避难所去觅食和留下踪迹时。 据推测，雄性首领保留了这些路线的知识，因此，其他老鼠根据这些信息修改它们的位置。 在cec2005测试函数进行测试，有最优值，最差值，标准差和平均值和四个指标。 由于代码本身原因F14-F

本文档中详细按照细菌觅食算法的思想，用matlab实现的觅食算法程序，对初学该算法的学习者会有很大的帮助哦！

1. 该资源是蝠鲼觅食优化算法MRFO的MATLAB代码。直接运行即可，23组基准测试函数，运行结果包括测试函数的三维空间示意图，收敛曲线，以及寻优的最小值和最优解。 2.有问题请在CSDN评论区留言

通过深度强化学习训练贪吃蛇,让其自动进行觅食避障行走+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

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

改进的多目标蝠鲼觅食优化(使用基于拥挤距离的 Pareto 归档策略的改进 MOMRFO 优化多目标最优潮流问题) 为与目标函数冲突的优化问题找到可行的解决方案集提出了重大挑战。此外，在此类问题中，复杂程度可能会根据目标空间和决策空间的几何形状而增加。解决具有高度复杂性的多目标问题的最有效方法是使用基于帕累托的归档方法的搜索算法。最近，拥挤距离方法已被用于提高基于帕累托的归档方法的性能。本文介绍了针对目标函数冲突的多目标最优潮流 (MOOPF) 问题找到最优解集的方法开发的研究。以此目的，使用基于拥挤距离的帕累托归档方法开发了一种强大而有效的方法。所开发方法的性能在 24 个不同类型和难度级别的基准问题上进行了测试，并与竞争算法进行了比较。使用统计测试方法分析了从实验试验中获得的数据和四种不同的性能指标。分析结果表明，所提出的方法在不同类型的多目标优化问题上产生了具有竞争力的性能，并且能够在文献中找到现实世界 MOOPF 问题的最佳解决方案。使用统计测试方法分析了从实验试验中获得的数据和四种不同的性能指标。分析结果表明，所提出的方法在不同类型的多目标优化问题上产生了具有竞争力的性能

【优化算法Matlab代码】资源存储库-第七期-蝠鲼觅食优化算法(MRFO).zip 蝠鲼觅食优化 (Manta ray foraging optimization， MRFO)是由 Zhao 等，在 2019 年提出的新型智能仿生群体算法。具有寻优能力强，收敛快的特点。

蝠鲼觅食优化（MRFO）是一种新的仿生优化算法，用于解决优化问题。 MRFO 对蝠鲼三种独特的觅食策略进行数学建模和模拟，包括链式觅食、旋风式觅食和翻筋斗觅食。

在生物体中生存的细菌,其环境对其觅食具有 很大的影响,比如局部区域的温度升高或者食物被 消耗掉,这些必然导致细菌被迫迁移到新的区域去 寻找食物,在模型中表现为迁移操作。 这种迁移未 必导致细菌寻找不到新的食物,反而会对种群的良 好生长起到促进作用,在经过复制操作之后细菌若 按照一定的概率进行迁移,到新的区域继续寻找食 物,新的种群具有随机特性,与原种群相比可能具有 不同的觅食能力,这种随机特性能使群体跳出局部 极值而更好地靠近全局最优解区域

传统的细菌觅食优化算法仅针对单目标优化问题寻优，为进一步发掘细菌群体智能在多目标优化问题中的寻优优势，提出了改进的多目标细菌觅食优化算法。在个体间互不支配时给出归一化的择优策略；引入差分思想完成复制操作，提高种群的多样性；采用栅格划分法进行迁徙操作，提高解集的分散性；同时使用外部集存放当前找到的非支配解，并不断对外部集进行优化。通过对多个标准函数进行测试并与其他几种算法的对比结果表明，所提出的多目标细菌觅食优化算法在解的收敛性和分散性指标上都有一定提升，能够有效解决多目标优化问题。