独家揭秘：2024新算法跑CEC2018测试集

独家发布10个2024年新算法跑CEC2018测试集 10个2024年的新算法跑CEC2018测试集并且输出评价指标。 2024年最新提出的算法，具体有： 1、苦鱼优化算法（Bitterling Fish Optimization，BFO)； 2、冠豪猪优化器（Crested Porcupine Optimizer, CPO)； 3、美洲狮优化器（Puma optimizer，Puma）； 4、鹅算法（GOOSE algorithm，GOOSE）； 5、人类进化优化算法（Human Evolutionary Optimization Algorithm ，HEOA）； 6、角蜥优化算法（Horned Lizard Optimization Algorithm，HLOA）； 7、河马优化算法（Hippopotamus optimization algorithm，HO）； 8、爱情进化算法（Love Evolution Algorithm，LEA）； 9、鹦鹉优化器（Parrot Optimizer, PO)； 10、牛顿-拉斐尔优化器（Newton-Raphson-based optimizer, NRBO)； 参考文献分别对应如下： 1、Bitterling fish optimization (BFO) algorithm 2、Crested Porcupine Optimizer: A new nature-inspired metaheuristic 3、Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning 4、GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond 5、Human Evolutionary Optimization Algorithm 6、A novel metaheuristic inspired by horned lizard defense tactics 7、Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm 8、Love Evolution Algorithm: a stimulus–value–role theory-inspired evolutionary algorithm for global optimization 9、Parrot optimizer: Algorithm and applications to medical problems 10、Newton-Raphson-based optimizer: A new population-based metaheuristic algorithm for continuous optimization problems 点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。 算法是独立的.m文件，方便管理和二次开发。 实验结果如下：

在算法的江湖里，新招式总是层出不穷，2024年就有10位“武林高手”闪亮登场。今天，咱们就来看看这10个新算法在CEC2018测试集上的表现，并且输出评价指标，揭开它们的神秘面纱。

这10个2024年最新提出的算法分别是：

1. 苦鱼优化算法（Bitterling Fish Optimization，BFO)；
2. 冠豪猪优化器（Crested Porcupine Optimizer, CPO)；
3. 美洲狮优化器（Puma optimizer，Puma）；
4. 鹅算法（GOOSE algorithm，GOOSE）；
5. 人类进化优化算法（Human Evolutionary Optimization Algorithm ，HEOA）；
6. 角蜥优化算法（Horned Lizard Optimization Algorithm，HLOA）；
7. 河马优化算法（Hippopotamus optimization algorithm，HO）；
8. 爱情进化算法（Love Evolution Algorithm，LEA）；
9. 鹦鹉优化器（Parrot Optimizer, PO)；
10. 牛顿 - 拉斐尔优化器（Newton - Raphson - based optimizer, NRBO)。

对应的参考文献如下：

1. Bitterling fish optimization (BFO) algorithm
2. Crested Porcupine Optimizer: A new nature - inspired metaheuristic
3. Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning
4. GOOSE algorithm: a powerful optimization tool for real - world engineering challenges and beyond
5. Human Evolutionary Optimization Algorithm
6. A novel metaheuristic inspired by horned lizard defense tactics
7. Hippopotamus optimization algorithm: a novel nature - inspired optimization algorithm
8. Love Evolution Algorithm: a stimulus–value–role theory - inspired evolutionary algorithm for global optimization
9. Parrot optimizer: Algorithm and applications to medical problems
10. Newton - Raphson - based optimizer: A new population - based metaheuristic algorithm for continuous optimization problems

代码部分，咱们有几个关键的运行选项。先来看运行单个算法的代码示例，假设我们要运行苦鱼优化算法（BFO）：

% 运行单个算法，这里以BFO为例 % 调用BFO算法文件 [best_solution, best_fitness] = BFO(CEC2018_problem, parameters); % 这里CEC2018_problem是CEC2018测试集的问题定义，parameters是算法的参数 % 代码分析：这行代码调用了BFO算法的函数，传入了测试集问题和算法参数，返回了最优解和最优适应度值。 % 就好比派一个选手去参加比赛，告诉它比赛规则（CEC2018_problem）和自身装备（parameters），最后得到比赛成绩（best_solution和best_fitness）。

如果要运行10个算法并且绘制收敛曲线，我们可以使用maincompare：

% 运行10个算法并绘制收敛曲线 % 定义算法列表 algorithm_list = {'BFO', 'CPO', 'Puma', 'GOOSE', 'HEOA', 'HLOA', 'HO', 'LEA', 'PO', 'NRBO'}; for i = 1:length(algorithm_list) algorithm_name = algorithm_list{i}; [fitness_curve] = run_algorithm(algorithm_name, CEC2018_problem, parameters); % run_algorithm是一个自定义函数，用于运行指定算法 plot(fitness_curve); hold on; end legend(algorithm_list); % 代码分析：这里我们先定义了一个算法列表，然后通过循环依次运行每个算法，获取它们的收敛曲线并绘制出来。 % 就像是让10个选手依次上场比赛，记录它们在比赛过程中的表现（收敛曲线），最后把这些表现都展示在一张图上，方便我们对比。

再来看运行多次并且自动保存评价指标的main_indicator：

% 运行多次并自动保存评价指标 num_runs = 10; % 运行次数 algorithm_list = {'BFO', 'CPO', 'Puma', 'GOOSE', 'HEOA', 'HLOA', 'HO', 'LEA', 'PO', 'NRBO'}; all_results = cell(length(algorithm_list), num_runs); for i = 1:length(algorithm_list) algorithm_name = algorithm_list{i}; for j = 1:num_runs [best_fitness] = run_algorithm(algorithm_name, CEC2018_problem, parameters); all_results{i, j} = best_fitness; end end % 计算评价指标 mean_values = mean(all_results, 2); std_values = std(all_results, 0, 2); % 还有平均收敛曲线、秩和检验p值、Friedman值、Friedman排名等指标的计算代码这里省略 % 代码分析：这里我们设置了运行次数，然后通过两层循环多次运行每个算法，记录每次运行的最优适应度值。 % 最后计算了平均值和标准差，就像是让选手多次参加比赛，统计它们的平均成绩和成绩的波动情况。

这些算法都是独立的.m文件，这就好比每个选手都有自己独立的装备包，方便管理和二次开发。

实验结果就像是比赛的成绩单，不过这里先不透露啦，大家可以自己动手运行代码，看看这些2024年的新算法在CEC2018测试集上到底谁能脱颖而出！