同樣，還是採用cec基準測試函式：sphere函式、ackley函式、zakharov函式對soa演算法進行測試。測試結果如下：
圖1. sphere函式迭代曲線圖(迭代次數：1000)
圖2. zakharov函式迭代曲線圖(迭代次數：1000)
圖3. ackley函式迭代曲線圖(迭代次數：1000)
改進演算法主要針對攻擊行為做出改進，我認為按照作者的思路海鷗群體的攻擊行為會大大降低演算法前期海鷗的多樣性，降低演算法的探索能力，因此做出相應改進。
同樣，對上述三個cec函式進行測試求解。這裡請各位看官仔細對比，基本海鷗演算法soa對cec函式的求解均為1000迭代次數，而改進的海鷗演算法(msoa)的迭代次數為120代，同時收斂精度有乙個質的飛躍。
圖4.sphere函式迭代曲線圖(迭代次數：120)
圖5. zakharov函式迭代曲線圖(迭代次數：120)
圖6. ackley函式迭代曲線圖(迭代次數：120)
通過兩組對比可以很明顯的觀察到，改進後的海鷗演算法其優化效能已經不弱於當下一些成熟的優化演算法，如粒子群演算法、蟻群演算法、進化演算法等等。
與soa演算法進行對比，首先，msoa演算法的收斂速度大大提公升，這個提公升的效果是巨大的，從ackley函式前後兩次收斂曲線看，soa在1000次時，依舊沒有收斂，而msoa演算法在第12次迭代時，就已經收斂。可見其效能之優越；其次，從收斂值觀察，msoa也具有相當大的改善，大致提公升108
10^8
108~1010
10^10
10倍。
綜上所示，改進的海鷗演算法可以說非常成功了。因為這篇文章我目前初稿已經完成，但還沒有投稿，所以matlab**暫時不能給大家提供，請大家諒解。如果某位氪金大佬確實需要，可以私聊我。
智慧型優化演算法之模擬退火演算法
詳細的 解釋及背景，過幾天再進行補充 模擬退火演算法 問題背景是tsp問題，有100個旅遊景點。並且假設距離矩陣d已經給出。d已知 sum inf for j 1 1000 s 1,1 randperm 100 102 temp 0 for i 1 101 temp temp d s i s i 1...
智慧型優化演算法
智慧型優化演算法分類總結 蟻群演算法，1991 年 粒子群演算法，1994年 細菌覓食優化演算法,bacterial foraging optimization algorithm，2002年 混合蛙跳演算法，shuffled frog leaping algorithm，2003年 人工蜂群演算法...
智慧型優化演算法總結
9月上旬準備數模國賽，提前準備了一些智慧型演算法，當時沒時間總結，現在比賽結束了抽空總結一下 思想 在一片濕地中生活著一群青蛙。濕地內離散的分布著許多石頭，青蛙通過尋找不同的石頭進行跳躍去找到食物較多的地方。每只青蛙個體之間通過文化的交流實現資訊的交換。每只青蛙都具有自己的文化。每只青蛙的文化被定義...