改进蜣螂算法合集4原创+3复现,Python和MATLAB代码都有

matplotlib~=3.8.2numpy~=1.26.3scipy~=1.12.0opfunu~=1.0.1

pip install opfunu  # 参考文档：https://github.com/thieu1995/opfunu

改进蜣螂(Fuch映射+反向学习+自适应步长+随机差分变异)代码链接：Python代码：https://mbd.pub/o/bread/ZZuWkptsMatlab代码：https://mbd.pub/o/bread/mbd-ZZuVlJZv

改进蜣螂(最优解的接受程度+麻雀追随机制+柯西高斯变异)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmpltMatlab代码：https://mbd.pub/o/bread/mbd-ZZiYkply

改进蜣螂(混沌初始化+三角形游走+莱维飞行)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmplxMatlab代码：https://mbd.pub/o/bread/mbd-ZJ2VlpZt

改进蜣螂(混沌初始化+改进正弦引导+混合高斯柯西变异)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmphvMatlab代码：https://mbd.pub/o/bread/mbd-ZJyVlJZu

改进蜣螂Python(随机游走+纵横交叉)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmppqMatlab代码：https://mbd.pub/o/bread/mbd-ZZmclZ5x

改进蜣螂(混沌初始化+鱼鹰算法+t分布)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmplvMatlab代码：https://mbd.pub/o/bread/mbd-ZZWTmZ1w

改进蜣螂算法(螺旋搜索+最优值引导+透镜反向学习)代码链接：Python代码：https://mbd.pub/o/bread/ZZuYmphtMatlab代码：https://mbd.pub/o/bread/mbd-ZJ6XmZZy

import numpy as npfrom matplotlib import pyplot as plt# In[]:import opfunu # 参考：https://github.com/thieu1995/opfunuimport copy  # 导入copy模块，用于对象的复制。import math'''适应度函数及维度dim的选择cec函数名字格式：函数名+年份，比如要选择2022的F1函数，func_num = 'F1'+'2022'cec2005：F1-F25, 可选 dim = 10, 30, 50cec2008：F1-F7,  可选 2 <= dim <= 1000cec2010：F1-F20, 可选 100 <= dim <= 1000cec2013：F1-F28, 可选 dim = 2, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100cec2014：F1-F30, 可选 dim = 10, 20, 30, 50, 100cec2015：F1-F15, 可选 dim = 10, 30cec2017：F1-F29, 可选 dim = 2, 10, 20, 30, 50, 100cec2019：F1-F10, 可选 dim: F1=9,F2=16,F3=18,其他=10cec2020：F1-F10, 可选 dim = 2, 5, 10, 15, 20, 30, 50, 100cec2021：F1-F10, 可选 dim = 2, 10, 20cec2022：F1-F12, 可选 dim = 2, 10, 20''''''边界检查函数'''def boundary(pop, lb, ub):# 定义一个边界检查函数，确保种群中的个体不超出预定义的边界。    pop = pop.flatten()    lb = lb.flatten()    ub = ub.flatten()# 将输入参数扁平化，以便进行元素级操作。# 防止跳出范围,除学习率之外 其他的都是整数    pop = [int(pop[i]) if i > 0 else pop[i] for i in range(lb.shape[0])]# 将除了学习率以外的参数转换为整数。for i in range(len(lb)):if pop[i] > ub[i] or pop[i] < lb[i]:# 检查个体是否超出边界。if i == 0:                pop[i] = (ub[i] - lb[i]) * np.random.rand() + lb[i]# 如果是学习率，则在边界内随机选择一个值。else:                pop[i] = np.random.randint(lb[i], ub[i])# 对于整数参数，随机选择一个边界内的整数值。return pop# 返回修正后的个体。''' 种群初始化函数 '''def initial(pop, dim, ub, lb):# 定义一个初始化种群的函数。    X = np.zeros([pop, dim])# 创建一个形状为[种群大小, 维度]的零矩阵。for i in range(pop):for j in range(dim):            X[i, j] = np.random.rand() * (ub[j] - lb[j]) + lb[j]# 在边界内随机初始化每个个体的每个参数。return X, lb, ub# 返回初始化后的种群及边界。'''计算适应度函数'''def CaculateFitness(X):# 定义一个计算适应度的函数。    pop = X.shape[0]# 获取种群的大小。    fitness = np.zeros([pop, 1])# 创建一个形状为[种群大小, 1]的零矩阵来存储适应度。for i in range(pop):        fitness[i] = cec_fun(X[i, :])# 对每个个体调用适应度函数进行计算。return fitness# 返回计算得到的适应度。'''适应度排序'''def SortFitness(Fit):# 定义一个对适应度进行排序的函数。    fitness = np.sort(Fit, axis=0)# 按适应度大小进行排序。    index = np.argsort(Fit, axis=0)# 获取排序后的索引。return fitness, index# 返回排序后的适应度和索引。'''根据适应度对位置进行排序'''def SortPosition(X, index):# 定义一个根据适应度排序位置的函数。    Xnew = np.zeros(X.shape)# 创建一个与X形状相同的零矩阵。for i in range(X.shape[0]):        Xnew[i, :] = X[index[i], :]# 根据适应度的排序结果重新排列位置。return Xnew# 返回排序后的位置