成功歷史智能優(yōu)化器（SHIO）附matlab代碼
?作者簡介：熱愛科研的開發(fā)者，修心和技術(shù)同步精進，matlab項目合作可私信。
??個人主頁：Matlab科研工作室
??個人信條：格物致知。
? 內(nèi)容介紹
該論文提出了一種稱為成功歷史智能優(yōu)化器 (SHIO) 的新型隨機群智能算法。它通過基于搜索空間中找到的三個最佳解決方案提出新的探索和開發(fā)運動策略來創(chuàng)建新的運動向量，從而為單目標(biāo)優(yōu)化問題提供解決方案，其中每個最佳解決方案都存儲在內(nèi)存中并從到目前為止在優(yōu)化過程中找到的三個最佳解決方案的平均值。擬議的 SHIO 確保了搜索空間探索和使用的效率。為了確認(rèn) SHIO 性能，測試了幾種性能測量（搜索歷史、軌跡和收斂曲線），并使用 SHIO 來解決 (23) 單目標(biāo)優(yōu)化基準(zhǔn)函數(shù)。這些功能已被分類為單峰，多式聯(lián)運和固定式多式聯(lián)運。使用了平均值、、最小值和最大值等各種指標(biāo)，并記錄了定量結(jié)果。此外，定性結(jié)果的軌跡和搜索歷史可視化。測試函數(shù)和性能指標(biāo)的結(jié)果表明，所提出的算法可以探索各種搜索區(qū)域位置，在優(yōu)化的同時利用潛在的搜索空間位置，避免局部樂觀并有效地收斂到全局最優(yōu)。與比較算法相比，SHIO 在評估的單峰和多峰基準(zhǔn)測試中提供了極具競爭力和卓越的結(jié)果。請注意，SHIO 算法源代碼可在 并記錄了定量結(jié)果。此外，定性結(jié)果的軌跡和搜索歷史可視化。測試函數(shù)和性能指標(biāo)的結(jié)果表明，所提出的算法可以探索各種搜索區(qū)域位置，在優(yōu)化的同時利用潛在的搜索空間位置，避免局部樂觀并有效地收斂到全局最優(yōu)。與比較算法相比，SHIO 在評估的單峰和多峰基準(zhǔn)測試中提供了極具競爭力和卓越的結(jié)果。請注意，SHIO 算法源代碼可在 并記錄了定量結(jié)果。此外，定性結(jié)果的軌跡和搜索歷史可視化。測試函數(shù)和性能指標(biāo)的結(jié)果表明，所提出的算法可以探索各種搜索區(qū)域位置，在優(yōu)化的同時利用潛在的搜索空間位置，避免局部樂觀并有效地收斂到全局最優(yōu)。與比較算法相比，SHIO 在評估的單峰和多峰基準(zhǔn)測試中提供了極具競爭力和卓越的結(jié)果。請注意，SHIO 算法源代碼可在 在優(yōu)化的同時利用潛在的搜索空間位置，避免局部樂觀，高效收斂到全局最優(yōu)。與比較算法相比，SHIO 在評估的單峰和多峰基準(zhǔn)測試中提供了極具競爭力和卓越的結(jié)果。請注意，SHIO 算法源代碼可在 在優(yōu)化的同時利用潛在的搜索空間位置，避免局部樂觀，高效收斂到全局最優(yōu)。與比較算法相比，SHIO 在評估的單峰和多峰基準(zhǔn)測試中提供了極具競爭力和卓越的結(jié)果。
? 部分代碼
% Success history intelligent optimizer (SHIO) optmization Code?
% code for paper: Fakhouri, H. N., Hamad, F., & Alawamrah, A. (2022). Success history intelligent optimizer. The Journal of Supercomputing, 78(5), 6461-6502.
%please give citation of the above paper
% benchmarkfunction = @YourCostFunction
% dimensionension = number of your variables
% part of this code is referenced to : https://www.mathworks.com/matlabcentral/fileexchange/44974-grey-wolf-optimizer-gwo
% we have modified the open source code of GWO equations and code to make SHIO code?
%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?%
%? ?reference of code and credit to : S. Mirjalili, S. M. Mirjalili, A. Lewis? ? ? ? ? ? ?%
%? ? ? ? ? ? ? ?Grey Wolf Optimizer, Advances in Engineering? ? ? ? %
%? ? ? ? ? ? ? ?Software , in press,? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? %
clear all?
clc
visFlag = 0;
SHIO_Particles_number=50; % Number of search agents
Maximum_numbef_of_iterations=100;?
% Load details of the selected benchmark function
number_of_runs=3;
for i= [ 1 :1 : 5]?
%? for 23 function? use i= [ 1 :1 : 23]?
?if i== 1
? ? ? ? Function_name = 'F1';??
? ? ? ? display('The best optimal value of the objective funciton found F1 : ');
? ? end??
? ??
? ? ?if i== 2
? ? ? ? Function_name = 'F2';?
? ? ? ? ?display('The best optimal value of the objective funciton found F2 : ');
? ? ?end?
? ? if i== 3
? ? ? ? Function_name = 'F3';??
? ? ? ? display('The best optimal value of the objective funciton found F3 : ');
? ? end??
? ??
? ? ?if i== 4
? ? ? ? Function_name = 'F4';?
? ? ? ? ?display('The best optimal value of the objective funciton found F4 : ');
? ? end?
? ? if i== 5
? ? ? ? Function_name = 'F5';??
? ? ? ? display('The best optimal value of the objective funciton found F5 : ');
? ? end??
? ? ?if i== 6
? ? ? ? Function_name = 'F6';?
? ? ? ? ?display('The best optimal value of the objective funciton found F6 : ');
? ? end??
? ? if i== 7
? ? ? ? Function_name = 'F7';??
? ? ? ? display('The best optimal value of the objective funciton found F7 : ');
? ? end??
? ? ?if i== 8
? ? ? ? Function_name = 'F8';?
? ? ? ? ?display('The best optimal value of the objective funciton found F8 : ');
? ? end?
? ? if i== 9
? ? ? ? Function_name = 'F9';??
? ? ? ? display('The best optimal value of the objective funciton found F9 : ');
? ? end??
? ? ?if i== 10
? ? ? ? Function_name = 'F10';?
? ? ? ? ?display('The best optimal value of the objective funciton found F10 : ');
? ? ?end??
? ? if i== 11
? ? ? ? Function_name = 'F11';??
? ? ? ? display('The best optimal value of the objective funciton found F11 : ');
? ? end??
? ? ?if i== 12
? ? ? ? Function_name = 'F12';?
? ? ? ? ?display('The best optimal value of the objective funciton found F12 : ');
? ? end?
? ? if i== 13
? ? ? ? Function_name = 'F13';??
? ? ? ? display('The best optimal value of the objective funciton found F13 : ');
? ? end??
? ? ?if i== 14
? ? ? ? Function_name = 'F14';?
? ? ? ? ?display('The best optimal value of the objective funciton found F14 : ');
? ? ?end?
? ? ? if i== 15
? ? ? ? Function_name = 'F15';??
? ? ? ? display('The best optimal value of the objective funciton found F15 : ');
? ? end??
? ? ?if i== 16
? ? ? ? Function_name = 'F16';?
? ? ? ? ?display('The best optimal value of the objective funciton found F16 : ');
? ? end??
? ? if i== 17
? ? ? ? Function_name = 'F17';??
? ? ? ? display('The best optimal value of the objective funciton found F17 : ');
? ? end??
? ? ?if i== 18
? ? ? ? Function_name = 'F18';?
? ? ? ? ?display('The best optimal value of the objective funciton found F18 : ');
? ? ?end?
? ? ?if i== 19
? ? ? ? Function_name = 'F19';?
? ? ? ? ?display('The best optimal value of the objective funciton found F19 : ');
? ? ?end?
? ? ?if i== 20
? ? ? ? Function_name = 'F20';?
? ? ? ? ?display('The best optimal value of the objective funciton found F20 : ');
? ? ?end?
? ? ?if i== 21
? ? ? ? Function_name = 'F21';?
? ? ? ? ?display('The best optimal value of the objective funciton found F21 : ');
? ? ?end?
? ? ?if i== 22
? ? ? ? Function_name = 'F22';?
? ? ? ? ?display('The best optimal value of the objective funciton found F22 : ');
? ? ?end?
? ? ?if i== 23
? ? ? ? Function_name = 'F23';?
? ? ? ? ?display('The best optimal value of the objective funciton found F23 : ');
? ? ?end?
? ? ?
bestsolutionsofSHIO=zeros(1,number_of_runs);
%bestsolutionsofPSO=zeros(1,number_of_runs);
[lowerbound,upperbound,dimension,benchmarkfunction]=Get_Functions_details(Function_name);
for k= [ 1 :1 : number_of_runs]
[SHIO_best_solution_value,SHIO_best_particle_position,SHIO_convergence_curve, Trajectories,fitness_history, position_history]=SHIOoptmizer(SHIO_Particles_number,Maximum_numbef_of_iterations,lowerbound,upperbound,dimension,benchmarkfunction);
bestsolutionsofSHIO(k)=SHIO_best_solution_value;
disp(['run number', num2str(k)]);
disp(['is', num2str(SHIO_best_solution_value)]);
%[gBestScore, PSO_cg_curve]=PSO(SHIO_Particles_number,Maximum_numbef_of_iterations,lowerbound,upperbound,dimension,benchmarkfunction); % run PSO to compare to results
end?
disp(['the avarage for SHIO', num2str(k)]);
mm=mean(bestsolutionsofSHIO);
disp(['the mean OF SHIO is ',num2str(mm)]);
%mm2=mean(bestsolutionsofPSO);
%disp(['the mean OF PSO is ',num2str(mm2)]);
MINSSHIO=min(bestsolutionsofSHIO);
disp(['the min OF SHIO is ',num2str(MINSSHIO)]);
MAXSSHIO=max(bestsolutionsofSHIO);
disp(['the max OF SHIO is ',num2str(MAXSSHIO)]);
disp(['the std for ', num2str(k)]);
stdSHIO=std(bestsolutionsofSHIO);
disp(['the std OF SHIO is ',num2str(stdSHIO)]);
? ? ?end?
% %***********************************************************
%draw last function values
% %***********************************************************
%draw curve compare with Pso
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(SHIO_convergence_curve,'Color','r')
hold on
%semilogy(PSO_cg_curve,'Color','b')
%title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
box on
%******************************************************** draw all shapes togather?
%please wait it take time
figure('Position',[454? ?445? ?894? ?297])
%Draw search space
subplot(1,5,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
box on
axis tight
subplot(1,5,2);
hold on
for k1 = 1: size(position_history,1)
? ? for k2 = 1: size(position_history,2)
? ? ? ? plot(position_history(k1,k2,1),position_history(k1,k2,2),'.','markersize',1,'MarkerEdgeColor','k','markerfacecolor','k');
? ? end
end
plot(SHIO_best_particle_position(1),SHIO_best_particle_position(2),'.','markersize',10,'MarkerEdgeColor','r','markerfacecolor','r');
title('Search history (x1 and x2 only)')
xlabel('x1')
ylabel('x2')
box on
axis tight
subplot(1,5,3);
hold on
plot(Trajectories(1,:));
title('Trajectory of 1st Particle')
xlabel('Iteration#')
box on
axis tight
subplot(1,5,4);
hold on
semilogy(mean(fitness_history),'Color','g', 'LineWidth',2);
title('Average fitness of all Particles')
xlabel('Iteration#')
box on
axis tight
%Draw objective space
subplot(1,5,5);
semilogy(SHIO_convergence_curve,'Color','r')
title('Convergence curve')
xlabel('Iteration#');
ylabel('Best score obtained so far');
box on
axis tight
set(gcf, 'position' , [39? ? ? ? ?479? ? ? ? 1727? ? ? ? ?267]);
%******************************************************** draw all shapes togather?
? 運行結(jié)果
? 參考文獻
Fakhouri, H. N., Hamad, F., & Alawamrah, A. (2022). Success history intelligent optimizer. The Journal of Supercomputing, 78(5), 6461-6502.
? 完整代碼
??部分理論引用網(wǎng)絡(luò)文獻，若有侵權(quán)聯(lián)系博主刪除
?? 關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學(xué)建模資料
