-2025年2月SCI最新算法-公式原理详解与性能测评 Matlab代码免费获取)
目录原理简介一、香气模型二、初始化三、引诱行为四、捕食行为算法流程图和伪代码性能测评参考文献完整代码中华穿山甲优化算法(Chinese pangolin optimizer,CPO)是一种新型的元启发式算法智能优化算法灵感来源于中华穿山甲独特的捕食行为。该算法利用马尔可夫链理论分析了该算法的收敛性从理论上保证了算法在优化过程中的高效性和可靠性该成果由Zhiqing Guo于2025年2月发表在SCI期刊《TheJournal of Supercomputing》上由于发表时间较短谷歌学术上还没人引用你先用你就是创新原理简介灵感穿山甲对蚂蚁的捕猎行为可以分为两种行为引诱和捕食。中国穿山甲依靠敏锐的嗅觉和狩猎本能判断猎物与自己位置的距离有效地在引诱和捕食行为之间转换这些行为是提出的CPO算法的主要灵感。一、香气模型在自然界中穿山甲的主要捕食方式是依靠其敏锐的嗅觉来定位蚂蚁或散发其气味吸引蚂蚁当穿山甲探测到较高的气味浓度时表明它距离蚂蚁较近增加了它成功获取食物的概率同样当蚂蚁探测到穿山甲散发的气味浓度较高时因此建立基于气味扩散的数学模型由于穿山甲和蚂蚁都是沿着地面寻找香气源的因此地面香气浓度计算公式可用于模拟本文提出的香气浓度模型地面香气浓度计算公式为二、初始化与其他生物启发式元启发式算法类似CPO的种群进化和迭代优化规则都是基于种群的初始化来实现的三、引诱行为当中华穿山甲周围蚂蚁的香气浓度较高且不主动捕食猎物时穿山甲会采取“装死”的策略释放固体香气吸引蚂蚁靠近自己实现成功取食在CPO中这种引诱行为可分为两个阶段吸引捕获阶段和运动摄食阶段CMt≥ 0.2r1 ≤ 0.5。case1吸引捕获阶段。穿山甲通过释放香气吸引蚂蚁蚂蚁跟踪香气轨迹并逐渐靠近直至被穿山甲捕获因此在此情境下穿山甲与蚂蚁的位置关系主要受香气轨迹、疲劳指数、以及蚂蚁运动过程中的能量波动。对应于该阶段的数学模型可以定义为case2移动和进食阶段。穿山甲捕捉到蚂蚁后会迅速向最近的小河或池塘移动。一旦到达水边穿山甲会爬入水中释放身上的鳞片然后用长长的舌头进食漂浮在水面上的蚂蚁。在这种情况下中国穿山甲和蚂蚁处于同一位置中国穿山甲将蚂蚁带向最佳位置。对应于该阶段的数学模型可以定义为四、捕食行为当周围蚂蚁释放的气味浓度较低或穿山甲愿意主动捕食时它首先根据气味浓度快速定位蚁巢然后沿着气味轨迹快速接近蚁巢到达蚁巢后用四肢挖掘洞穴迅速捕获蚂蚁。在CPO中这种捕食行为可以分为三个阶段搜索定位、快速接近、挖食CM 0.7|| r1 0.5。case1搜索定位阶段0 ≤ CM 0.3。在此阶段由于蚁巢与穿山甲所在位置的距离穿山甲无法探测到蚁巢释放的香气。因此穿山甲最初会选择在周围的空间中随机游走直到闻到蚂蚁散发的气味然后根据气味进行蚂蚁巢穴的定位在这个过程中穿山甲的随机游走遵循一个Levy飞行函数穿山甲的能量水平在这个随机游走过程中也会发生变化因此该阶段的数学模型表示为case2快速接近阶段0.2 ≤ CM 0.6。经过搜索定位阶段后穿山甲已经成功定位到蚁穴因此穿山甲会沿着香气轨迹快速前进跟踪直至逐渐接近蚁穴位置此阶段的数学模型表示为case3挖食阶段CM ≥ 0.6。此时中国穿山甲已经成功定位蚁穴它会用锋利的四肢快速挖食蚁穴最后将长长的舌头伸入蚁穴中捕捉蚂蚁该阶段的数学模型为算法流程图和伪代码为了使大家更好地理解这边给出作者算法的流程图和伪代码非常清晰如果实在看不懂不用担心可以看下源代码再结合上文公式理解就一目了然了性能测评原文作者在74个标准基准函数以及CEC2017、CEC2019和CEC2022测试集上的实验结果及统计分析表明CPO算法在求解复杂数值优化问题时是有效和收敛的并成功地应用于三个标准的数值优化问题实验。这边为了方便大家对比与理解采用23个标准测试函数即CEC2005设置种群数量为30迭代次数为1000和2024年新出的鹅优化算法进行对比这边展示其中5个测试函数的图其余十几个测试函数大家可以自行切换尝试可以看到这个算法在迭代后期收敛曲线下降非常快大部分函数上均优于GOOSE算法表明其局部寻优能力非常强大家应用到各类预测、优化问题中也是一个不错的选择~参考文献[1]Guo Z, Liu G, Jiang F. Chinese Pangolin Optimizer: a novel bio-inspired metaheuristic for solving optimization problems[J]. The Journal of Supercomputing, 2025, 81(4): 517.完整代码如果需要免费获得图中的完整测试代码只需点击下方小卡片再后台回复关键字不区分大小写CPO也可点击下方小卡片再后台回复个人需求比如CPO-LSTM定制以下CPO算法优化模型看到秒回1.回归/时序/分类预测类SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN、Transformer等等均可~2.组合预测类CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可可任意搭配非常新颖~3.分解类EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~4.路径规划类机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~5.优化类光伏电池参数辨识优化、光伏MPPT控制、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~6.原创改进优化算法适合需要创新的同学原创改进2025年的指数中华穿山甲优化算法CPO以及鱼鹰OOA、蜣螂DBO等任意优化算法均可保证测试函数效果
目录原理简介一、香气模型二、初始化三、引诱行为四、捕食行为算法流程图和伪代码性能测评参考文献完整代码中华穿山甲优化算法(Chinese pangolin optimizer,CPO)是一种新型的元启发式算法智能优化算法灵感来源于中华穿山甲独特的捕食行为。该算法利用马尔可夫链理论分析了该算法的收敛性从理论上保证了算法在优化过程中的高效性和可靠性该成果由Zhiqing Guo于2025年2月发表在SCI期刊《TheJournal of Supercomputing》上由于发表时间较短谷歌学术上还没人引用你先用你就是创新原理简介灵感穿山甲对蚂蚁的捕猎行为可以分为两种行为引诱和捕食。中国穿山甲依靠敏锐的嗅觉和狩猎本能判断猎物与自己位置的距离有效地在引诱和捕食行为之间转换这些行为是提出的CPO算法的主要灵感。一、香气模型在自然界中穿山甲的主要捕食方式是依靠其敏锐的嗅觉来定位蚂蚁或散发其气味吸引蚂蚁当穿山甲探测到较高的气味浓度时表明它距离蚂蚁较近增加了它成功获取食物的概率同样当蚂蚁探测到穿山甲散发的气味浓度较高时因此建立基于气味扩散的数学模型由于穿山甲和蚂蚁都是沿着地面寻找香气源的因此地面香气浓度计算公式可用于模拟本文提出的香气浓度模型地面香气浓度计算公式为二、初始化与其他生物启发式元启发式算法类似CPO的种群进化和迭代优化规则都是基于种群的初始化来实现的三、引诱行为当中华穿山甲周围蚂蚁的香气浓度较高且不主动捕食猎物时穿山甲会采取“装死”的策略释放固体香气吸引蚂蚁靠近自己实现成功取食在CPO中这种引诱行为可分为两个阶段吸引捕获阶段和运动摄食阶段CMt≥ 0.2r1 ≤ 0.5。case1吸引捕获阶段。穿山甲通过释放香气吸引蚂蚁蚂蚁跟踪香气轨迹并逐渐靠近直至被穿山甲捕获因此在此情境下穿山甲与蚂蚁的位置关系主要受香气轨迹、疲劳指数、以及蚂蚁运动过程中的能量波动。对应于该阶段的数学模型可以定义为case2移动和进食阶段。穿山甲捕捉到蚂蚁后会迅速向最近的小河或池塘移动。一旦到达水边穿山甲会爬入水中释放身上的鳞片然后用长长的舌头进食漂浮在水面上的蚂蚁。在这种情况下中国穿山甲和蚂蚁处于同一位置中国穿山甲将蚂蚁带向最佳位置。对应于该阶段的数学模型可以定义为四、捕食行为当周围蚂蚁释放的气味浓度较低或穿山甲愿意主动捕食时它首先根据气味浓度快速定位蚁巢然后沿着气味轨迹快速接近蚁巢到达蚁巢后用四肢挖掘洞穴迅速捕获蚂蚁。在CPO中这种捕食行为可以分为三个阶段搜索定位、快速接近、挖食CM 0.7|| r1 0.5。case1搜索定位阶段0 ≤ CM 0.3。在此阶段由于蚁巢与穿山甲所在位置的距离穿山甲无法探测到蚁巢释放的香气。因此穿山甲最初会选择在周围的空间中随机游走直到闻到蚂蚁散发的气味然后根据气味进行蚂蚁巢穴的定位在这个过程中穿山甲的随机游走遵循一个Levy飞行函数穿山甲的能量水平在这个随机游走过程中也会发生变化因此该阶段的数学模型表示为case2快速接近阶段0.2 ≤ CM 0.6。经过搜索定位阶段后穿山甲已经成功定位到蚁穴因此穿山甲会沿着香气轨迹快速前进跟踪直至逐渐接近蚁穴位置此阶段的数学模型表示为case3挖食阶段CM ≥ 0.6。此时中国穿山甲已经成功定位蚁穴它会用锋利的四肢快速挖食蚁穴最后将长长的舌头伸入蚁穴中捕捉蚂蚁该阶段的数学模型为算法流程图和伪代码为了使大家更好地理解这边给出作者算法的流程图和伪代码非常清晰如果实在看不懂不用担心可以看下源代码再结合上文公式理解就一目了然了性能测评原文作者在74个标准基准函数以及CEC2017、CEC2019和CEC2022测试集上的实验结果及统计分析表明CPO算法在求解复杂数值优化问题时是有效和收敛的并成功地应用于三个标准的数值优化问题实验。这边为了方便大家对比与理解采用23个标准测试函数即CEC2005设置种群数量为30迭代次数为1000和2024年新出的鹅优化算法进行对比这边展示其中5个测试函数的图其余十几个测试函数大家可以自行切换尝试可以看到这个算法在迭代后期收敛曲线下降非常快大部分函数上均优于GOOSE算法表明其局部寻优能力非常强大家应用到各类预测、优化问题中也是一个不错的选择~参考文献[1]Guo Z, Liu G, Jiang F. Chinese Pangolin Optimizer: a novel bio-inspired metaheuristic for solving optimization problems[J]. The Journal of Supercomputing, 2025, 81(4): 517.完整代码如果需要免费获得图中的完整测试代码只需点击下方小卡片再后台回复关键字不区分大小写CPO也可点击下方小卡片再后台回复个人需求比如CPO-LSTM定制以下CPO算法优化模型看到秒回1.回归/时序/分类预测类SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN、Transformer等等均可~2.组合预测类CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可可任意搭配非常新颖~3.分解类EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~4.路径规划类机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~5.优化类光伏电池参数辨识优化、光伏MPPT控制、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~6.原创改进优化算法适合需要创新的同学原创改进2025年的指数中华穿山甲优化算法CPO以及鱼鹰OOA、蜣螂DBO等任意优化算法均可保证测试函数效果
