【粒子群算法】基于分治策略的CC-D-DGDG-PSO算法用于解决大规模无约束黑盒优化问题附matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
协同进化（CC）框架是解决大规模黑箱优化（LSBO）问题的重要方法。CC的核心步骤之一是对决策变量进行分组，这一过程直接影响优化性能。理想的分组结果应使组内变量间关系尽可能紧密，而组间关系尽可能疏松。全局微分分组（GDG）是一种基于多元函数偏导数思想的高效分组方法，通过保持变量间的全局信息可自动解决问题。然而， GDG 确定的分组结果一旦固定，将无法随算法演化进行更新调整，这可能影响算法的优化性能。为此，本文基于 GDG 提出动态全局微分分组（DGDG）策略，该策略能随演化过程动态更新分组结果。 DGDG 与粒子群优化（PSO）算法结合，形成CC- DGDG - PSO 框架。基于CEC‘2010 LSBO 基准函数的实验结果表明， DGDG 算法可显著提升 GDG 性能。
⛳️ 运行结果
📣 部分代码
FEs = 0;
% % Randomly sample 10 points
% LBmtx = repmat(LB,10,1);
% UBmtx = repmat(UB,10,1);
% samples = LBmtx+rand(10, D).*(UBmtx-LBmtx);
% fsamples = feval(fname, samples);
% threshold = min(fsamples)*epsilon; % 随机选的10个组
FEs = FEs+10;
temp = 0;
p1 = LB;
P1 = feval(fname, p1);
FEs = FEs+1;
P2_vec = zeros(D,1);
for i = 1:D
p2 = p1;
p2(i) = UB(i);
P2_vec(i) = feval(fname, p2);
FEs = FEs+1;
end
P3_vec = zeros(D,1);
for i = 1:D
p3 = p1;
p3(i) = temp;
P3_vec(i) = feval(fname, p3);
FEs = FEs+1;
end
DeltaMtx = zeros(D);
for i = 1:D-1
for j = i+1:D
p4 = p1;
p4(i) = UB(i);
p4(j) = temp;
P4 = feval(fname, p4);
FEs = FEs+1;
delta1 = P1-P2_vec(i);
delta2 = P3_vec(j)-P4;
DeltaMtx(i,j) = abs(delta1-delta2);
DeltaMtx(j,i) = DeltaMtx(i,j);
end
end
% FE 计算次数 (D-1)*D/2 + 2D = O(D^2)
% group the variables according to the matrix
% interact_mtx = (DeltaMtx > threshold);
%
% [labels, rts] = graph_connected_components(interact_mtx);
% % transform labels to group_idx
% group_idx = labels;
% for i = 1:max(labels)
% groupsize = sum(labels == i);
% if (groupsize == 1) % separable
% group_idx(labels == i) = 0;
% group_idx(labels > i) = group_idx(labels > i)-1;
% end
% end
%
% group_num = max(group_idx);
% seps = find(group_idx == 0);
% allgroups = cell(1, group_num);
% for i = 1:group_num
% allgroups{i} = find(group_idx == i);
% end
🔗 参考文献
Wu S., Zou Z., Fang W. (2018) A Dynamic Global Differential Grouping for Large-Scale Black-Box
Optimization. In: Tan Y., Shi Y., Tang Q. (eds) Advances in Swarm Intelligence. ICSI 2018. Lecture Notes in Computer
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类