智能优化算法典型曲线

一、基本介绍：

在智能优化算法领域，如何平衡算法的探索 (Exploration) 与开发 (Exploitation) 始终是一个严肃且艰难的挑战。无论是近几年不断涌现的“新”算法，还是对现有经典算法的改进，都是以平衡算法的探索与开发为最终目的。然而，大多数文章中缺少对探索与开发的量化分析，这导致改进之后的算法是否真正实现了探索与开发的平衡成了一个谜底。

目前，文献【1】由于给出了基于维度多样性的探索与开发量化公式而受到了学者们的广泛关注，此次代码是根据文献【1】中的公式复现而来，以正余弦算法(SCA)为例。读者可根据自己改进的算法自行将其“复刻”到代码中，仿真实验时可对算法探索率与开发率进行分析讨论，以此来增强实验的说服力。

二、参考文献：

【1】Hussain K, Salleh M N M, Cheng S, et al. On the exploration and exploitation in popular swarm-based metaheuristic algorithms[J]. Neural Computing and Applications (SCI三区), 2019, 31: 7665-7683.

三、代码链接：智能优化算法典型曲线—探索率与开发率曲线作图，以正余弦算法(SCA)为例 (mbd.pub)

四、算法效果图—以标准正余弦算法(SCA)在单峰函数F7上的表现为例

1、收敛曲线图

2、探索率与开发率曲线图

3、命令行窗口输出显示