2025年单目标优化：红鸢优化算法（Red kite Optimization Algorithm，ROA）求解CEC2017（提供Matlab代码）

科技前沿 • 2025-02-19 20:14 • 阅读 63

大家好，我是讯享网，很高兴认识大家。

一、红鸢优化算法简介

红鸢优化算法（Red kite Optimization Algorithm，ROA）由Jalal Raeisi Gahruei和Zahra Beheshti于2022年提出。
在这里插入图片描述
讯享网

参考文献：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22.

在这里插入图片描述

二、CEC2017简介

CEC2017共有30个无约束测试函数分别是：单峰函数(F1-F3)、简单多峰函数(F4-F10)、混合函数(F11-F20)和组合函数(F21-F30)。测试维度包含：10D、30D、50D、100D。CEC2017无约束测试问题随着维度的增加求解极其困难。

在这里插入图片描述

三、求解结果

将红鸢优化算法ROA运用于求解CEC2017中30个无约束函数，其中每个测试函数可以选择的维度分别有：10D、30D、50D、100D。增大迭代次数，ROA的求解效果更佳。本例测试函数维度均为为10D（可根据自己需求调整），最大迭代次数为5000次。

clc close all clear % 参考文献：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22. func_num=1;%选择测试函数1-30 D=10;%10/30/50/100 Xmin=-100; Xmax=100; pop_size=100;%种群大小 iter_max=5000;%最大迭代次数 fhd=str2func('cec17_func'); [gbest,Fitness,Curve]= ROA(fhd,D,pop_size,iter_max,Xmin,Xmax,func_num); figure semilogy(Curve, 'LineWidth',1.5); legend('ROA' ); xlabel('迭代次数'); ylabel('适应度值'); title(strcat('CEC2017-F',num2str(func_num)));