✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
协同进化（CC）框架是解决大规模黑箱优化（LSBO）问题的重要方法。CC中的关键步骤之一是对决策变量进行分组，这直接影响优化性能。理想的分组结果应使组内决策变量间的关联性尽可能强，而组间决策变量间的关联性尽可能弱。全局微分分组（GDG）是一种基于多元函数偏导数思想的高效分组方法，能够通过保留变量间的全局信息自动解决问题。然而，一旦 GDG 确定的分组结果不再更新，且无法随算法演化自动调整，可能影响算法的优化性能。因此，本文基于 GDG 提出了一种动态全局微分分组（DGDG）策略，用于动态更新决策变量的分组结果；该策略与粒子群优化（PSO）算法结合使用，称为CC- DGDG - PSO 。基于CEC‘2010竞赛中的 LSBO 基准函数实验表明， DGDG 算法能显著提升 GDG 的性能。
⛳️ 运行结果
📣 部分代码
% test file
%test calc_diff function%
tic;
save_data=true;
addpath(genpath(pwd))
costf='F2';
nvar=1000;
range=100;
LB = -range*ones(nvar,1);
UB = range*ones(nvar,1);
max_FEs = 3e6;
times = 1;
result = zeros(times,1);
min_state = 0;
min_res = inf;
avg_cache=[];
t1 = clock;
for i = 1:times
clear pso;
disp(['run ',costf,' ',num2str(i),' times !']);
randstate = etime(clock ,t1);
rand('state',randstate);
[best, cache_fit,FEs,diff]= cc_gdg_pso(costf,nvar,LB,UB,max_FEs);
if isempty(avg_cache)
avg_cache = zeros(size(cache_fit));
end
avg_cache = avg_cache+cache_fit;
result(i) = best.cost;
% server task
if best.cost<min_res
min_res = best.cost;
min_state = randstate;
%if save_data
%save([costf,'_diff.mat'],'diff');
%save([costf,'_best.mat'],'best');
%save([costf,'_cache_fit.mat' ],'cache_fit');
%end
end
end
avg_cache = avg_cache/times;
if save_data
save([costf,'result.mat'],'result');
save([costf,'min_fit.mat'],'min_res');
save([costf,'avg_fit.mat'],'avg_cache');
end
t2 = clock;
disp(['avg run time:',num2str(etime(t2,t1)/times)]);
disp('best f is');
disp(min_res);
%x= 1:size(avg_cache,1);
semilogy(avg_cache);
saveas(gcf,[costf,'.jpg']);
🔗 参考文献
Wu S., Zou Z., Fang W. (2018) A Dynamic Global Differential Grouping for Large-Scale Black-Box
Optimization. In: Tan Y., Shi Y., Tang Q. (eds) Advances in Swarm Intelligence. ICSI 2018. Lecture Notes in Computer
Science, vol 10941. Springer, Cham
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟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）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
