首页 星云 工具 资源 星选 资讯 热门工具
:

PDF转图片 完全免费 小红书视频下载 无水印 抖音视频下载 无水印 数字星空

徒步优化算法(HOA)matlab代码

人工智能 3.84KB 10 需要积分: 1
立即下载

资源介绍:

徒步优化算法(Hiking Optimization Algorithm,HOA)是一种受徒步旅行经历启发的元启发式优化算法。徒步旅行者试图登顶山峰、丘陵或岩石的过程中,徒步者有意或无意地考虑到地形的陡峭程度,这是一种流行的娱乐活动,它认识到优化问题的搜索景观与徒步旅行者所穿越的山区地形之间的相似性。HOA的数学模型以Tobler徒步函数为前提,该函数通过考虑地形的高程和行走距离来确定徒步者(即agent)的步行速度。在求解优化问题的过程中,利用Tobler徒步函数(THF)来确定徒步者的位置。
% CEC2005测试集 function [lb,ub,dim,fobj] = Get_CEC2005_details(F) % 获取测试函数上下界和维度 switch F case 'F1' fobj = @F1; lb=-100; ub=100; dim=30; case 'F2' fobj = @F2; lb=-10; ub=10; dim=30; case 'F3' fobj = @F3; lb=-100; ub=100; dim=30; case 'F4' fobj = @F4; lb=-100; ub=100; dim=30; case 'F5' fobj = @F5; lb=-30; ub=30; dim=30; case 'F6' fobj = @F6; lb=-100; ub=100; dim=30; case 'F7' fobj = @F7; lb=-1.28; ub=1.28; dim=30; case 'F8' fobj = @F8; lb=-500; ub=500; dim=30; case 'F9' fobj = @F9; lb=-5.12; ub=5.12; dim=30; case 'F10' fobj = @F10; lb=-32; ub=32; dim=30; case 'F11' fobj = @F11; lb=-600; ub=600; dim=30; case 'F12' fobj = @F12; lb=-50; ub=50; dim=30; case 'F13' fobj = @F13; lb=-50; ub=50; dim=30; case 'F14' fobj = @F14; lb=-65.536; ub=65.536; dim=2; case 'F15' fobj = @F15; lb=-5; ub=5; dim=4; case 'F16' fobj = @F16; lb=-5; ub=5; dim=2; case 'F17' fobj = @F17; lb=[-5,0]; ub=[10,15]; dim=2; case 'F18' fobj = @F18; lb=-2; ub=2; dim=2; case 'F19' fobj = @F19; lb=0; ub=1; dim=3; case 'F20' fobj = @F20; lb=0; ub=1; dim=6; case 'F21' fobj = @F21; lb=0; ub=10; dim=4; case 'F22' fobj = @F22; lb=0; ub=10; dim=4; case 'F23' fobj = @F23; lb=0; ub=10; dim=4; end end % F1 function o = F1(x) o=sum(x.^2); end % F2 function o = F2(x) o=sum(abs(x))+prod(abs(x)); end % F3 function o = F3(x) dim=size(x,2); o=0; for i=1:dim o=o+sum(x(1:i))^2; end end % F4 function o = F4(x) o=max(abs(x)); end % F5 function o = F5(x) dim=size(x,2); o=sum(100*(x(2:dim)-(x(1:dim-1).^2)).^2+(x(1:dim-1)-1).^2); end % F6 function o = F6(x) o=sum(abs((x+.5)).^2); end % F7 function o = F7(x) dim=size(x,2); o=sum([1:dim].*(x.^4))+rand; end % F8 function o = F8(x) o=sum(-x.*sin(sqrt(abs(x)))); end % F9 function o = F9(x) dim=size(x,2); o=sum(x.^2-10*cos(2*pi.*x))+10*dim; end % F10 function o = F10(x) dim=size(x,2); o=-20*exp(-.2*sqrt(sum(x.^2)/dim))-exp(sum(cos(2*pi.*x))/dim)+20+exp(1); end % F11 function o = F11(x) dim=size(x,2); o=sum(x.^2)/4000-prod(cos(x./sqrt([1:dim])))+1; end % F12 function o = F12(x) dim=size(x,2); o=(pi/dim)*(10*((sin(pi*(1+(x(1)+1)/4)))^2)+sum((((x(1:dim-1)+1)./4).^2).*... (1+10.*((sin(pi.*(1+(x(2:dim)+1)./4)))).^2))+((x(dim)+1)/4)^2)+sum(Ufun(x,10,100,4)); end % F13 function o = F13(x) dim=size(x,2); o=.1*((sin(3*pi*x(1)))^2+sum((x(1:dim-1)-1).^2.*(1+(sin(3.*pi.*x(2:dim))).^2))+... ((x(dim)-1)^2)*(1+(sin(2*pi*x(dim)))^2))+sum(Ufun(x,5,100,4)); end % F14 function o = F14(x) aS=[-32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32;,... -32 -32 -32 -32 -32 -16 -16 -16 -16 -16 0 0 0 0 0 16 16 16 16 16 32 32 32 32 32]; for j=1:25 bS(j)=sum((x'-aS(:,j)).^6); end o=(1/500+sum(1./([1:25]+bS))).^(-1); end % F15 function o = F15(x) aK=[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246]; bK=[.25 .5 1 2 4 6 8 10 12 14 16];bK=1./bK; o=sum((aK-((x(1).*(bK.^2+x(2).*bK))./(bK.^2+x(3).*bK+x(4)))).^2); end % F16 function o = F16(x) o=4*(x(1)^2)-2.1*(x(1)^4)+(x(1)^6)/3+x(1)*x(2)-4*(x(2)^2)+4*(x(2)^4); end % F17 function o = F17(x) o=(x(2)-(x(1)^2)*5.1/(4*(pi^2))+5/pi*x(1)-6)^2+10*(1-1/(8*pi))*cos(x(1))+10; end % F18 function o = F18(x) o=(1+(x(1)+x(2)+1)^2*(19-14*x(1)+3*(x(1)^2)-14*x(2)+6*x(1)*x(2)+3*x(2)^2))*... (30+(2*x(1)-3*x(2))^2*(18-32*x(1)+12*(x(1)^2)+48*x(2)-36*x(1)*x(2)+27*(x(2)^2))); end % F19 function o = F19(x) aH=[3 10 30;.1 10 35;3 10 30;.1 10 35];cH=[1 1.2 3 3.2]; pH=[.3689 .117 .2673;.4699 .4387 .747;.1091 .8732 .5547;.03815 .5743 .8828]; o=0; for i=1:4 o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2)))); end end % F20 function o = F20(x) aH=[10 3 17 3.5 1.7 8;.05 10 17 .1 8 14;3 3.5 1.7 10 17 8;17 8 .05 10 .1 14]; cH=[1 1.2 3 3.2]; pH=[.1312 .1696 .5569 .0124 .8283 .5886;.2329 .4135 .8307 .3736 .1004 .9991;... .2348 .1415 .3522 .2883 .3047 .6650;.4047 .8828 .8732 .5743 .1091 .0381]; o=0; for i=1:4 o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2)))); end end % F21 function o = F21(x) aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6]; cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5]; o=0; for i=1:5 o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1); end end % F22 function o = F22(x) aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6]; cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5]; o=0; for i=1:7 o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1); end end % F23 function o = F23(x) aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6]; cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5]; o=0; for i=1:10 o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1); end end % F24 function o=Ufun(x,a,k,m) o=k.*((x-a).^m).*(x>a)+k.*((-x-a).^m).*(x<(-a)); end

资源文件列表:

徒步优化算法(HOA).zip 大约有4个文件
  1. Get_CEC2005_details.m 5.95KB
  2. HOA.m 1.81KB
  3. main.m 707B
  4. Plot_CEC2005.m 2.14KB
0评论
提交 加载更多评论
其他资源 BSD68数据集灰色(grayscale)
BSD68数据集灰色(grayscale)
校园宿舍管理系统课程设计
校园宿舍管理系统是一个基于Java编程语言和MySQL数据库的应用程序,旨在提供一套便捷的管理工具,用于校园内宿舍管理和学生住宿信息的管理。系统采用了Swing作为界面开发工具,并进行了界面美化,以提升用户体验和操作效率。 主要功能特点包括: 学生管理: 登记新生入住和现有学生的信息管理,包括个人信息、宿舍分配等。 支持学生信息的查询、修改和删除操作,确保数据的准确性和实时性。 宿舍管理: 对宿舍的基本信息进行管理,包括宿舍号、楼层、宿舍类型等。 实现宿舍的分配、调整和退宿等操作,确保宿舍资源的合理利用。 住宿管理: 提供住宿申请和审批流程,管理学生的住宿周期和费用信息。 支持住宿记录的统计和报表功能,方便管理者进行数据分析和决策。 权限管理: 实现管理员和普通用户的权限分级,确保系统安全性和操作的合法性。 提供登录和身份验证机制,保障数据的保密性和完整性。 界面美化: 采用Swing库进行界面设计,并进行了美化处理,使界面友好、直观。 使用合适的颜色、布局和图标,提升用户体验,减少学习成本。 技术架构和实现细节 后端技术:Java语言作为主要开发语言,使用MySQL数据库进行连接
1016103366054914好看的个人仿QQ单页HTML.zip
1016103366054914好看的个人仿QQ单页HTML.zip
1016103366054914好看的个人仿QQ单页HTML.zip 1016103366054914好看的个人仿QQ单页HTML.zip 1016103366054914好看的个人仿QQ单页HTML.zip
正点原子阿波罗F429使用RT-Thread studio实现CAN收发
正点原子阿波罗F429使用RT-Thread studio实现CAN收发
多目标鲸鱼优化算法matlab代码
多目标鲸鱼优化算法(Non-Dominated Sorting Whale Optimization Algorithm,NSWOA)是一种基于鲸鱼优化算法(Whale Optimization Algorithm,WOA)的改进算法,专门用于解决多目标优化问题。多目标鲸鱼优化算法在原有WOA的基础上引入了非支配排序、拥挤度计算和精英保留策略等概念,以提高算法处理多目标问题的性能。 WOA模拟座头鲸捕食行为,通过收缩包围、螺旋更新和随机搜索三个阶段来不断更新个体位置。然而,原始的WOA无法直接处理多目标优化问题。为了将WOA应用于多目标优化,NSWOA引入了非支配排序的概念。该排序方法将种群中的个体按照其适应度进行分级,支配等级越低的个体越优秀。通过这种方式,算法能够有效筛选出优秀的非支配个体,引导种群进化。
车辆路径问题常用数据集,带时间窗约束的车辆路径规划问题(VRPTW)、容量限制的车辆路径问题(CVRP)
CVRP问题是一类在特定约束条件下优化车辆行驶路线的NP-hard问题。它要求在满足一系列客户点的需求且不超过车辆容量的前提下,安排适当的车辆行驶路线,旨在最小化总成本,包括车辆启动成本和行驶成本。CVRP问题是运筹学和物流管理中的一个重要课题,直接关联到物流配送的成本效益和服务质量。 Solomon数据集是用于研究车辆路径问题(VRPTW、CVRP)的一系列标准测试实例,由Solomon于1987年提出。 Solomon数据集在CVRPLIB中被广泛采用,其中包含一个起始点(CUST NO.==0)和100个客户点,所有的常量都为整数。该数据集包括最大可派遣车辆数K、每辆车的最大载重量Q、各节点的横纵坐标XCOORD和YCOOR以及节点之间的距离视为运输成本、节点处的需求量DEMAND、服务最早开始时间READY TIME和服务截止时间DUE TIME等信息。
protoc3.19的window下载安装包
protoc3.19的window下载安装包
CSS+js 做漂亮时钟.zip
CSS+js 做漂亮时钟。这是一个非常仿真的圆形时钟。通过js获取当前时间并调整时钟的指针旋转,完成时间的显示。样子也非常漂亮。 --------------------------------------------------------------------------------------------------------- 需要看看效果的,可以移步到我的专栏去看看。文章名与资源名一致。 资源特点:代码短小、代码容易阅读、重点注释、方便扩展、样式美观 适用人群:前端从业职,新手小白,有网站开发能力对美工有所欠缺的后端工程师。