💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
目录
💥1 概述
如今，有相当数量的元启发式算法被用来解决许多变量多、复杂度高的问题。最流行的基于群体智能的元启发式方法之一是黑猩猩优化算法 （ChOA），其灵感来自黑猩猩在群体狩猎中的个体智力和性动机。该文提出了一种加权ChOA（WChOA）替代方案，以解决大规模数值优化问题中出现的两个主要问题，如低收敛速度和求解高维问题的局部最优陷阱。标准 ChOA 和WChOA 之间的主要区别在于，提供了一个位置加权方程来提高收敛速度并避免局部最优。此外，在基于群体智能的算法中，所提出的方法在探索和开发之间取得了平衡。所提出的WChOA方法在不同的条件下进行评估，以证明它是最好的。为此，应用了一组经典的30个单峰、多模态和固定维多模态基准函数来研究WChOA特性的优缺点。此外，WChOA在IEEE进化计算大会基准测试函数（CECC06，2019竞赛）上进行了测试。为了进一步阐明WChOA在大规模数值优化和实际问题中的性能，通过13个高维优化问题和10个真实世界优化问题对WChOA进行了研究。结果表明，与ChOA、PSO、BBO、WOA、BH、ALO、GA、SCA和GWO等文献中最先进的方法相比，WChOA在收敛速度、卡在局部最小值的概率、探索和利用方面表现出色。
📚2 运行结果
部分代码
clear all
clc
SearchAgents_no=30; % Number of search agents
N=SearchAgents_no;
Function_name='F2'; % Name of the test function that can be from F1 to F23 (Table 3,4,5 in the paper)
Max_iteration=500; % Maximum numbef of iterations
Max_iter=Max_iteration;
% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[ABest_scoreChimp,ABest_posChimp,Chimp_curve]=WChimp(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
[PSO_gBestScore,PSO_gBest,PSO_cg_curve]=PSO(N,Max_iteration,lb,ub,dim,fobj);
[TACPSO_gBestScore,TACPSO_gBest,TACPSO_cg_curve]=TACPSO(N,Max_iteration,lb,ub,dim,fobj);
[MPSO_gBestScore,MPSO_gBest,MPSO_cg_curve]=MPSO(N,Max_iteration,lb,ub,dim,fobj);
% PSO_cg_curve=PSO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); % run PSO to compare to results
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
semilogy(MPSO_cg_curve,'Color','g')
hold on
semilogy(PSO_cg_curve,'Color','b')
hold on
semilogy(TACPSO_cg_curve,'Color','m')
hold on
semilogy(Chimp_curve,'--r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on
legend('MPSO','PSO','TACPSO','Chimp')
display(['The best optimal value of the objective funciton found by TACPSO is : ', num2str(TACPSO_gBestScore)]);
display(['The best optimal value of the objective funciton found by PSO is : ', num2str(PSO_gBestScore)]);
display(['The best optimal value of the objective funciton found by PSO is : ', num2str(MPSO_gBestScore)]);
display(['The best optimal value of the objective funciton found by Chimp is : ', num2str(ABest_scoreChimp)]);
🎉3 参考文献
[1]Khishe, M., et al. “A Weighted Chimp Optimization Algorithm.” IEEE Access, Institute of Electrical and Electronics Engineers (IEEE), 2021, pp. 1–1, doi:10.1109/access.2021.3130933.