1 内容介绍
解决全局优化问题的难度一般取决于问题的维数和目标函数的某些特征。本文讨论了其中五个特征,并提出了一种称为 shuffled complex evolution (SCE) 方法的函数优化策略,该方法有望为广泛的问题提供稳健、有效和高效的方法。SCE 方法基于对已证明对全局优化成功的四个概念的综合: (a) 概率和确定性方法的组合;(b) 聚类;(c) 跨越空间的复杂点的系统演变,朝着全球改进的方向发展;(d) 竞争演变。提出了两种基于 SCE 方法的算法。这些算法通过对八个不同难度的测试问题运行 100 次随机启动的试验来进行测试。这两种算法的性能与 Price (1983, 1987) 提出的受控随机搜索 CRS2 方法以及 Nelder 和 Mead (1965) 提出的基于单纯形法的多启动算法的性能进行了比较。
2 部分代码
function [BestCost,x,f] = ShuffledComplexEvolution(img_gray, NS, itr, popl)
CostFunction=@(x,img_gray) imagethresh(x,img_gray); % Cost Function
nVar=NS;% Number of Decision Variables
VarSize = [1 nVar]; % Decision Variables Matrix Size
VarMin = 0;% Decision Variables Lower Bound
VarMax = 254;% Decision Variables Upper Bound
%% SCE-UA Parameters
MaxIt = itr; % Ma