独家揭秘：2024新算法跑CEC2021测试集

zzdYEjLL

242人浏览 · 2026-03-23 18:45:00

zzdYEjLL · 2026-03-23 18:45:00 发布

独家发布10个2024年新算法跑CEC2021测试集 10个2024年的新算法跑CEC2021测试集并且输出评价指标。 2024年最新提出的算法，具体有： 1、苦鱼优化算法（Bitterling Fish Optimization，BFO)； 2、冠豪猪优化器（Crested Porcupine Optimizer, CPO)； 3、美洲狮优化器（Puma optimizer，Puma）； 4、鹅算法（GOOSE algorithm，GOOSE）； 5、人类进化优化算法（Human Evolutionary Optimization Algorithm ，HEOA）； 6、角蜥优化算法（Horned Lizard Optimization Algorithm，HLOA）； 7、河马优化算法（Hippopotamus optimization algorithm，HO）； 8、爱情进化算法（Love Evolution Algorithm，LEA）； 9、鹦鹉优化器（Parrot Optimizer, PO)； 10、牛顿-拉斐尔优化器（Newton-Raphson-based optimizer, NRBO)；参考文献分别对应如下： 1、Bitterling fish optimization (BFO) algorithm 2、Crested Porcupine Optimizer: A new nature-inspired metaheuristic 3、Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning 4、GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond 5、Human Evolutionary Optimization Algorithm 6、A novel metaheuristic inspired by horned lizard defense tactics 7、Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm 8、Love Evolution Algorithm: a stimulus–value–role theory-inspired evolutionary algorithm for global optimization 9、Parrot optimizer: Algorithm and applications to medical problems 10、Newton-Raphson-based optimizer: A new population-based metaheuristic algorithm for continuous optimization problems 点击 mainsingle 运行单个算法，点击 maincompare 运行10个算法并且绘制收敛曲线，点击main_indicator运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验p值、Friedman值、Friedman排名。算法是独立的.m文件，方便管理和二次开发。实验结果如下：

嘿，各位算法爱好者！今天我要独家发布 10 个 2024 年的新算法在 CEC2021 测试集上的运行情况，还会输出评价指标，让我们一起来探索这些新算法的魅力。

2024 新算法大集合

2024 年新提出了不少有趣的算法，下面给大家一一道来：

苦鱼优化算法（Bitterling Fish Optimization，BFO)

苦鱼优化算法灵感来源于苦鱼的生活习性。它模拟苦鱼在水中的游动和觅食行为来寻找最优解。相关参考文献为 “Bitterling fish optimization (BFO) algorithm”。我们可以想象苦鱼在水中灵活地穿梭，不断探索食物源，就如同算法在解空间中寻找最优解。

冠豪猪优化器（Crested Porcupine Optimizer, CPO)

冠豪猪优化器模拟了冠豪猪的防御和觅食策略。冠豪猪在遇到危险时会采取独特的防御姿态，在觅食时也有自己的一套路径规划，这个算法就借鉴了这些特点。对应的文献是 “Crested Porcupine Optimizer: A new nature-inspired metaheuristic”。

美洲狮优化器（Puma optimizer，Puma）

美洲狮是一种强大的猎手，美洲狮优化器就是模拟了美洲狮的捕猎行为。它在搜索解空间时，就像美洲狮追捕猎物一样，高效而精准。参考文献 “Puma optimizer (PO): a novel metaheuristic optimization algorithm and its application in machine learning” 对此有详细介绍。

鹅算法（GOOSE algorithm，GOOSE）

鹅算法以鹅的群体行为为灵感。鹅在飞行和觅食时会形成特定的群体模式，这个算法利用这种群体智慧来优化解。相关文献为 “GOOSE algorithm: a powerful optimization tool for real - world engineering challenges and beyond”。

人类进化优化算法（Human Evolutionary Optimization Algorithm ，HEOA）

人类进化优化算法模拟了人类的进化过程，包括遗传、变异和选择等机制。就像人类在漫长的进化中不断适应环境一样，这个算法在解空间中不断进化以找到最优解。参考文献 “Human Evolutionary Optimization Algorithm” 对其原理有深入阐述。

角蜥优化算法（Horned Lizard Optimization Algorithm，HLOA）

角蜥在面对危险时会有独特的防御策略，角蜥优化算法就借鉴了这些策略来进行优化。相关文献 “A novel metaheuristic inspired by horned lizard defense tactics” 介绍了其具体实现。

河马优化算法（Hippopotamus optimization algorithm，HO）

河马优化算法模拟了河马在水中和陆地上的活动模式。河马在水中游动和在陆地上觅食的行为被抽象成算法的搜索策略。参考文献 “Hippopotamus optimization algorithm: a novel nature - inspired optimization algorithm” 详细说明了该算法。

爱情进化算法（Love Evolution Algorithm，LEA）

爱情进化算法基于刺激 - 价值 - 角色理论，模拟了人类爱情关系中的进化过程。通过模拟爱情中的吸引、互动和选择等过程来优化解。相关文献为 “Love Evolution Algorithm: a stimulus–value–role theory - inspired evolutionary algorithm for global optimization”。

鹦鹉优化器（Parrot Optimizer, PO)

鹦鹉优化器模拟了鹦鹉的学习和模仿行为。鹦鹉善于学习和模仿周围的声音和动作，这个算法利用这种特性在解空间中搜索最优解。参考文献 “Parrot optimizer: Algorithm and applications to medical problems” 对其有具体描述。

牛顿 - 拉斐尔优化器（Newton - Raphson - based optimizer, NRBO)

牛顿 - 拉斐尔优化器基于牛顿 - 拉斐尔方法，结合群体智能的思想，用于解决连续优化问题。参考文献 “Newton - Raphson - based optimizer: A new population - based metaheuristic algorithm for continuous optimization problems” 详细介绍了该算法。

代码实现与操作

这些算法都是独立的 .m 文件，方便管理和二次开发。下面给大家介绍一下操作流程：

运行单个算法

点击 mainsingle 就可以运行单个算法。以下是一个简单的伪代码示例，展示如何调用单个算法：

% 假设我们要运行苦鱼优化算法（BFO）
algorithm_name = 'BFO'; % 指定算法名称
% 调用算法函数
[best_solution, best_fitness] = run_algorithm(algorithm_name, cec2021_test_function);
disp(['Best solution found by ', algorithm_name, ': ', num2str(best_solution)]);
disp(['Best fitness value: ', num2str(best_fitness)]);

在这段代码中，run_algorithm 是一个通用的函数，它根据传入的算法名称调用相应的算法文件，并传入 CEC2021 测试函数进行优化。最后输出找到的最优解和最优适应度值。

运行 10 个算法并绘制收敛曲线

点击 maincompare 可以运行 10 个算法并且绘制收敛曲线。以下是一个简单的代码框架：

algorithm_names = {'BFO', 'CPO', 'Puma', 'GOOSE', 'HEOA', 'HLOA', 'HO', 'LEA', 'PO', 'NRBO'};
num_algorithms = length(algorithm_names);
convergence_curves = zeros(num_algorithms, max_iterations);

for i = 1:num_algorithms
    algorithm_name = algorithm_names{i};
    [~, ~, convergence_curve] = run_algorithm(algorithm_name, cec2021_test_function);
    convergence_curves(i, :) = convergence_curve;
end

% 绘制收敛曲线
figure;
for i = 1:num_algorithms
    plot(convergence_curves(i, :), 'DisplayName', algorithm_names{i});
    hold on;
end
hold off;
legend;
xlabel('Iterations');
ylabel('Fitness value');
title('Convergence curves of 10 algorithms on CEC2021 test set');

在这个代码中，我们首先定义了 10 个算法的名称，然后依次运行每个算法，并记录它们的收敛曲线。最后使用 plot 函数将这些收敛曲线绘制在同一个图中，方便我们比较不同算法的收敛性能。

运行多次并保存评价指标

点击 main_indicator 可以运行多次并且自动保存评价指标，包括平均值、标准差、平均收敛曲线、秩和检验 p 值、Friedman 值、Friedman 排名。以下是一个简化的代码示例：

num_runs = 10; % 运行次数
algorithm_names = {'BFO', 'CPO', 'Puma', 'GOOSE', 'HEOA', 'HLOA', 'HO', 'LEA', 'PO', 'NRBO'};
num_algorithms = length(algorithm_names);

fitness_values = zeros(num_algorithms, num_runs);
convergence_curves_all = zeros(num_algorithms, num_runs, max_iterations);

for run = 1:num_runs
    for i = 1:num_algorithms
        algorithm_name = algorithm_names{i};
        [~, fitness, convergence_curve] = run_algorithm(algorithm_name, cec2021_test_function);
        fitness_values(i, run) = fitness;
        convergence_curves_all(i, run, :) = convergence_curve;
    end
end

% 计算平均值和标准差
mean_fitness = mean(fitness_values, 2);
std_fitness = std(fitness_values, 0, 2);

% 计算平均收敛曲线
mean_convergence_curves = squeeze(mean(convergence_curves_all, 2));

% 进行秩和检验和 Friedman 检验
% 这里省略具体的检验代码，可使用 Matlab 中的相关函数实现

% 保存评价指标
save('evaluation_metrics.mat', 'mean_fitness', 'std_fitness', 'mean_convergence_curves');

在这段代码中，我们运行每个算法多次，记录每次运行的适应度值和收敛曲线。然后计算适应度值的平均值和标准差，以及平均收敛曲线。最后将这些评价指标保存到一个 .mat 文件中，方便后续分析。

实验结果

具体的实验结果这里暂不详细展示，但通过上述的代码和操作，我们可以得到各个算法在 CEC2021 测试集上的表现。从收敛曲线中，我们可以直观地看到不同算法的收敛速度和稳定性；通过评价指标，我们可以更全面地比较各个算法的优劣。

总之，这 10 个 2024 年的新算法为我们在优化问题上提供了更多的选择和思路。希望大家可以根据自己的需求，进一步研究和应用这些算法。

以上就是本次关于 2024 新算法跑 CEC2021 测试集的分享，如果你对某个算法感兴趣，不妨深入研究一下它的代码实现和优化效果。

Happy coding!

亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责