美洲狮优化算法（Puma Optimizar Algorithm ，POA）求解机器人栅格地图最短路径规划（提供MATLAB代码）

03-11 1993阅读 0评论

一、美洲狮优化算法

美洲狮优化算法（Puma Optimizar Algorithm ，POA）由Benyamin Abdollahzadeh等人于2024年提出，其灵感来自美洲狮的智慧和生活。在该算法中，在探索和开发的每个阶段都提出了独特而强大的机制，这提高了算法对各种优化问题的性能。此外，该算法还提出了一种新型的智能机制，即相变的超启发式机制（PI），使用这种机制，PO算法可以在优化操作期间执行相变操作，并平衡探索和开发，同时探索和开发都会根据问题的性质自动调整。2024最新算法：美洲狮优化算法（Puma Optimizar Algorithm ，POA）求解23个基准函数（提供MATLAB代码）-CSDN博客

参考文献：

[1]Abdollahzadeh, B., Khodadadi, N., Barshandeh, S. et al. Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning. Cluster Comput (2024). Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning | Cluster Computing

二、部分代码

clc
clear
close all
tic
%% 地图
global G S E
G=[0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0; 
   0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0; 
   0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0; 
   0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0; 
   0 0 1 0 0 0 0 1 1 0 0 0 1 1 1 1 1 0 0 0; 
   0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0; 
   0 1 1 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0;
   0 1 1 1 0 0 1 1 1 0 1 1 1 1 0 0 0 0 0 0; 
   0 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 1 1 0 0; 
   0 0 1 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 0 0; 
   0 0 1 0 0 0 0 1 1 0 1 1 1 1 0 0 0 1 0 0; 
   0 0 1 0 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0; 
   0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0; 
   0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 0; 
   1 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 0; 
   1 1 1 1 0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 0; 
   0 0 0 0 0 0 1 1 0 1 1 1 0 0 0 0 0 1 1 0; 
   0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0; 
   0 0 1 1 0 0 0 0 0 0 1 1 0 1 1 1 0 0 0 0; 
   0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0;];
for i=1:20/2
    for j=1:20
        m=G(i,j);
        n=G(21-i,j);
        G(i,j)=n;
        G(21-i,j)=m;
    end
end
%% 
S = [1 1];   %起点
E = [20 20];  %终点
[ub,dimensions] = size(G);        
dim = dimensions - 2;             
%% 参数设置
Max_iter= 200;    % 最大迭代次数
SearchAgents_no = 50;         % 种群数量
X_min = 1;  
lb=1;
fobj=@(x)fitness(x);
[Best_score,Best_NC,Convergence_curve]=POA(SearchAgents_no,Max_iter,lb,ub,dim,fobj);
toc
%% 结果分析
global_best = round(Best_NC);
figure(1)
plot(Convergence_curve,'k-','linewidth',2.5)
xlabel('Iteration');
ylabel('Fitness');
legend('POA')