1 简介

本文针对一些 CEC 数值优化基准函数和混合可再生能源系统 (HRES) 工程问题，对称为气味代理优化 (SAO) 的新元启发式算法进行了广泛研究。 SAO 实现了气味代理和蒸发气味分子的对象之间的关系。这些关系被建模为三种独立的模式，称为嗅探模式、尾随模式和随机模式。当气味分子从气味源向代理扩散时，嗅探模式模拟代理的气味感知能力。尾随模式模拟代理跟踪气味分子的一部分直到其来源被识别的能力。然而，随机模式是代理用来避免陷入局部最小值的一种策略。对 37 个常用的 CEC 基准函数和 HRES 工程问题进行了测试，并将结果与其他 6 种元启发式方法进行了比较。实验结果表明，SAO 可以在 76% 的基准函数中找到全局最优值。同样，统计结果表明，与基准算法相比，SAO 也获得了最具成本效益的 HRES 设计。

2 部分代码

%__________________________________________% myCost = @YourCostFunction% dim = number of your variables% Max_Iter = maximum number of generations% nMole = number of search agents% lb=[lb1,lb2,...,lbn] where lbn is the lower bound of variable n% ub=[ub1,ub2,...,ubn] where ubn is the upper bound of variable n% If all the variables have equal lower bound you can just% define lb and ub as two single number numbers% To run SAO: [Best_score,Best_mole,Convergence]=SAO(nMole,Max_Iter,lb,ub,dim,fobj);%__________________________________________clear allclose allclcformat longnMole=50; % Number of search agentsF_name='F4'; % Selecte Benchmark FunctionMax_Iter=200; % Maximum numbef of iterationsrun=1;% Load Function Details[lb,ub,dim,myCost]=Select_Function(F_name);for k=1:run    [Best_score,Best_mole,Convergence]=SAO(nMole,Max_Iter,lb,ub,dim,myCost);    Best_score(k,:)=Best_score;end Best=min(Best_score) % Worst=max(Best_score)% Average=mean(Best_score)% STD=std(Best_score)figure('Position',[500 500 660 290])%Draw objective spacesubplot(1,2,2);semilogy(Convergence,'Color','r','linewidth',2)title('Objective space')xlabel('Iteration');ylabel('Best score obtained so far');axis tightgrid onbox onlegend('SAO')%Draw function in hyperspacesubplot(1,2,1);func_plot(F_name);title('Parameter space')xlabel('x_1');ylabel('x_2');zlabel([F_name,'( x_i , x_j )'])

3 仿真结果

4 参考文献

[1] Salawudeen, A. T. , et al. "A Novel Smell Agent Optimization (SAO): An extensive CEC study and engineering application." Knowledge-Based Systems 4(2021):107486.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。