文章目录

  • 一、理论基础
    • 1、政治优化算法
    • 2、PO算法执行过程
  • 二、仿真实验与结果分析
  • 三、参考文献

一、理论基础

1、政治优化算法

受政治多阶段过程的启发，文献[1]提出了一种新的全局优化算法——政治优化算法(Political Optimizer, PO)。
具体数学模型请参考文献[1]。

2、PO算法执行过程

PO算法伪代码如图1所示。

图1 PO算法伪代码

二、仿真实验与结果分析

将PO与DE、WOA、PSO和GWO进行对比，以文献[1]中表3的F6、F7、F8、F9(单峰函数/50维)和表4的F35、F36、F37、F38(多峰函数/50维)为例，实验设置种群规模为30，最大迭代次数为300，每种算法独立运算30次，结果显示如下：

函数：F6
PO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0
WOA：最差值: 4.2623, 最优值: 1.176, 平均值: 2.5067, 标准差: 0.82135
DE：最差值: 0.82247, 最优值: 0.050423, 平均值: 0.19609, 标准差: 0.13962
PSO：最差值: 6375.1108, 最优值: 2138.9588, 平均值: 3757.4411, 标准差: 932.5996
GWO：最差值: 4.292, 最优值: 2.0156, 平均值: 3.1155, 标准差: 0.67257
函数：F7
PO：最差值: -275, 最优值: -275, 平均值: -275, 标准差: 0
WOA：最差值: -275, 最优值: -275, 平均值: -275, 标准差: 0
DE：最差值: -269, 最优值: -275, 平均值: -273.4667, 标准差: 1.907
PSO：最差值: -165, 最优值: -253, 平均值: -203.9, 标准差: 20.9142
GWO：最差值: -172, 最优值: -216, 平均值: -197.6333, 标准差: 11.0219
函数：F8
PO：最差值: 9.8891e-190, 最优值: 5.0667e-234, 平均值: 3.2966e-191, 标准差: 0
WOA：最差值: 420524.4628, 最优值: 166377.8854, 平均值: 245160.4454, 标准差: 51537.111
DE：最差值: 87679.1358, 最优值: 46888.8513, 平均值: 73555.5448, 标准差: 7817.0519
PSO：最差值: 27565.6417, 最优值: 8060.5828, 平均值: 16528.7421, 标准差: 5023.5259
GWO：最差值: 187.0318, 最优值: 0.68831, 平均值: 32.7232, 标准差: 40.2301
函数：F9
PO：最差值: 2.2688e-125, 最优值: 5.2214e-135, 平均值: 7.6487e-127, 标准差: 4.1408e-126
WOA：最差值: 2.9498e-27, 最优值: 2.7252e-33, 平均值: 1.7716e-28, 标准差: 5.9647e-28
DE：最差值: 315.7905, 最优值: 0.74046, 平均值: 36.0737, 标准差: 81.9804
PSO：最差值: 1136.2618, 最优值: 680.269, 平均值: 952.5811, 标准差: 109.5768
GWO：最差值: 2.1806e-05, 最优值: 4.0765e-06, 平均值: 1.1314e-05, 标准差: 4.6099e-06
函数：F35
PO：最差值: -1958.3083, 最优值: -1958.3083, 平均值: -1958.3083, 标准差: 4.6252e-13
WOA：最差值: -1413.0717, 最优值: -1955.6329, 平均值: -1771.4122, 标准差: 188.0284
DE：最差值: -1717.932, 最优值: -1901.6017, 平均值: -1812.0802, 标准差: 41.5355
PSO：最差值: -1367.6948, 最优值: -1574.1501, 平均值: -1474.3787, 标准差: 52.1501
GWO：最差值: -1219.0685, 最优值: -1601.5182, 平均值: -1356.9039, 标准差: 92.5855
函数：F36
PO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0
WOA：最差值: 0.23065, 最优值: 0, 平均值: 0.0076883, 标准差: 0.042111
DE：最差值: 0.048842, 最优值: 0.0021395, 平均值: 0.011384, 标准差: 0.010118
PSO：最差值: 2.6418, 最优值: 1.506, 平均值: 1.9902, 标准差: 0.26426
GWO：最差值: 0.034662, 最优值: 9.136e-13, 平均值: 0.0032037, 标准差: 0.0087804
函数：F37
PO：最差值: 1.075e-51, 最优值: -1, 平均值: -0.8, 标准差: 0.40684
WOA：最差值: 7.8114e-20, 最优值: -1, 平均值: -0.23333, 标准差: 0.43018
DE：最差值: 1.6231e-21, 最优值: 1.7482e-22, 平均值: 7.3266e-22, 标准差: 4.0405e-22
PSO：最差值: 1.3044e-19, 最优值: 1.2635e-20, 平均值: 3.7831e-20, 标准差: 2.8772e-20
GWO：最差值: 3.7056e-21, 最优值: 1.0017e-22, 平均值: 4.6633e-22, 标准差: 6.864e-22
函数：F38
PO：最差值: 1.2074e-20, 最优值: 1.2074e-20, 平均值: 1.2074e-20, 标准差: 1.1841e-35
WOA：最差值: 5.6045e-20, 最优值: 1.2074e-20, 平均值: 1.8909e-20, 标准差: 1.2452e-20
DE：最差值: 8.0421e-18, 最优值: 1.1396e-19, 平均值: 8.07e-19, 标准差: 1.5607e-18
PSO：最差值: 9.1109e-14, 最优值: 2.6887e-16, 平均值: 1.1009e-14, 标准差: 1.9244e-14
GWO：最差值: 4.9025e-10, 最优值: 2.1153e-16, 平均值: 2.4358e-11, 标准差: 8.9515e-11

实验结果表明：PO算法的优化性能优于其他比较算法。

三、参考文献

[1] Qamar Askari, Irfan Younas, Mehreen Saeed. Political Optimizer: A novel socio-inspired meta-heuristic for global optimization[J]. Knowledge-Based Systems, 2020, 195: 105709.

基于政治优化算法的函数寻优算法相关推荐

  1. 《MATLAB智能算法30个案例》：第2章 基于遗传算法和非线性规划的函数寻优算法

    <MATLAB智能算法30个案例>:第2章 基于遗传算法和非线性规划的函数寻优算法 1. 前言 2. MATLAB 仿真示例一 3. MATLAB 仿真示例二 4. MATLAB 仿真示例 ...

  2. 基于蚁群算法的函数寻优算法

    文章目录 一.理论基础 二.案例背景 1.问题描述 2.解题思路及步骤 三.MATLAB程序实现 1.清空环境变量 2.初始化参数 3.构建解空间和目标函数 4.迭代寻优 5.结果显示 6.绘图 四. ...

  3. 基于沙猫群优化算法的函数寻优算法

    文章目录 一.理论基础 1.沙猫群优化算法 (1)初始化种群 (2)搜索猎物(探索) (3)攻击猎物(开发) (4)探索和开发 2.SCSO算法伪代码 二.仿真实验与结果分析 三.参考文献 一.理论基 ...

  4. 基于蜉蝣优化算法的函数寻优算法

    文章目录 一.理论基础 1.蜉蝣优化算法 (1)雄性蜉蝣的更新 (2)雌性蜉蝣的更新 (3)蜉蝣的交配过程 2.MA算法伪代码 二.仿真实验与结果分析 1.函数测试与数值分析 2.WSN三维覆盖优化 ...

  5. 基于金豺优化算法的函数寻优算法

    文章目录 一.理论基础 1.金豺优化算法 (1)搜索空间公式 (2)探索阶段或搜索猎物 (3)开发阶段或围捕和突袭猎物 (4)从探索转向开发 2.GJO伪代码 二.仿真实验与结果分析 三.参考文献 一 ...

  6. 基于果蝇优化算法的函数寻优算法

    文章目录 一.理论基础 二.算法步骤 1.启发 2.方向和距离 3.气味浓度判断值 4.适应度评估 5.寻找最优个体 6.飞行 7.迭代优化 三.案例背景 问题描述 四.MATLAB程序实现 1.清空 ...

  7. 基于蜂鸟优化算法的函数寻优算法

    文章目录 一.理论基础 1.自搜索阶段 2.引导搜索阶段 3.HOA伪代码 二.仿真实验与分析 三.参考文献 一.理论基础 蜂鸟优化算法(Hummingbirds optimization algor ...

  8. 基于藤壶交配优化算法的函数寻优算法

    文章目录 一.理论基础 1.藤壶交配优化算法 1.1 哈迪-温伯格(Hardy-Weinberg)法则 1.2 BMO 1.2.1 初始化 1.2.2 选择过程 1.2.3 繁殖 2.BMO算法伪代码 ...

  9. 基于阿基米德优化算法的函数寻优算法

    文章目录 一.理论基础 1.算法步骤 (1)初始化 (2)更新密度和体积 (3)转移算子与密度算子 (4)勘探阶段 <1> 物体之间发生碰撞 <2> 物体之间无碰撞 <3 ...

最新文章

  1. 矩阵奇异值分解简介及C++/OpenCV/Eigen的三种实现
  2. 一级二级标题_考二级造价师有啥要求？
  3. VLC搭建RTSP服务器的过程 -测试通过
  4. 微信支付（APP）集成时碰到的问题（.net提示“无权限”、iOS跳转到微信支付页面中间只有一个“确定”按钮）...
  5. Leetcode(二)：Add Two Numbers
  6. LINUX打开方式的配置
  7. 静态路由协议的默认管理距离是_动态路由选择原理（距离矢量路由协议RIP）
  8. 乐动ld06激光雷达sdk改bug记录分享
  9. 【20210305期AI简报】基于TensorRT完成NanoDet模型部署、Google AI发布TensorFlow 3D
  10. Alpha 冲刺（8/10）
  11. c语言寻找勾股数,Numpy 寻找勾股数
  12. 主动外观模型(AAM)
  13. 相识-相知-相亲-娶亲-享受
  14. 学习编程该如何记笔记（摘自简书、博客）
  15. error lnk2005解决办法
  16. 关于网络文学发展形势的三点判断
  17. MTK 方案电池保护机制设计
  18. fagin 启动报错 Fallback/fallbackFactory
  19. 有什么实用的英语音标学习软件推荐?这有两款好用的英语音标学习软件
  20. ORACLE ---开窗函数

热门文章

  1. Python实现秒杀某宝商品抢购
  2. 0基础也能看懂的二维码生成器 API 的技术原理（附Java 接入代码）
  3. 你必须知道的容器日志 (2) 开源日志管理方案 ELK/EFK
  4. Windows 2.0 下载
  5. springboot 学习十五：Spring Boot 优雅的集成Swagger2、Knife4j
  6. 计算机中总评等级怎么算,Excel总评等级怎么算
  7. piwik.php是什么,Piwik流量統計系統搭建(apche+php+mysql+piwik)
  8. php exif信息,php通过exif_read_data函数获取图片的exif信息_php技巧
  9. pku,zju题目分类
  10. 【verge3D】为web3D开启陀螺仪功能