主要内容
该程序采用黄金正弦和混沌映射思想改进减法优化器算法，由于减法优化器算法（缩写为SABO）为23年新提出来的智能优化算法，目前算法的直接应用还不是很多，对其进行改进的算法更是少之又少，因此，采用该算法发表文章会更加容易一些。通过改进算法（GSABO）与减法优化器原始算法（SABO）、灰狼算法（GWO）、鲸鱼优化算法（WOA）以及蜣螂优化算法（DBO）进行对比，验证改进算法具有显著优势，程序采用matlab编写，模块化编程，注释清晰。
（注：因智能算法存在随机性，不是每次效果都得到理想要求，可从统计学角度多次测试研究算法最优解均值、平均收敛时间、最优解迭代次数均值等维度做出更为严谨的结论）
1.减法优化器算法
该算法基于减法平均的原理，通过计算个体之间的差异以及目标函数值的差异，来更新和优化搜索代理的位置。如果新位置适应度值提高，则接受新位置，否则保持不变。
SABO具有寻优能力强、收敛速度快等特点，使其在解决优化问题时具有显著的优势。它可以应用于各种需要寻找最优解的场景，如机器学习、数据挖掘、工程设计等领域。
2.黄金正弦和混沌映射策略
%% 初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 这几个参数是黄金正弦算法的初始化参数a=-pi;b=pi;gold=double((sqrt(5)-1)/2); % golden proportion coefficient, around 0.618x1=a+(1-gold)*(b-a);x2=a+gold*(b-a);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 采用混沌映射初始化粒粒子，10种混沌映射类型选择，1-10分别为，tent、Logistic、Cubic、chebyshev、Piecewise、sinusoidal、Sine,ICMIC, Circle,BernoulliX = repmat(lo,N,1)+chaos(numm,N,m).* repmat((hi-lo),N,1);%计算粒子的适应度值for i =1:NL=X(i,:);fit(i)=fitness(L);end%找到最佳粒子[fbest,idx]=min(fit);xbest = X(idx,:);%% 开始主循环for t=1:T % algorithm iterationDX=zeros(N,m);for i=1:N%% based om Eq(4)for j=1:NI = round(1+rand+rand);for d=1:mDX(i,d)=DX(i,d)+(X(j,d)-I.*X(i,d)).*sign(fit(i)-fit(j)); %SABO算法主要的更新方式endend%采用混沌映射的方式替换随机值rC1=chaos(5,1,m); %10种 混沌映射类型选择，1-10分别为，tent、Logistic、Cubic、chebyshev、Piecewise、sinusoidal、Sine,ICMIC, Circle,Bernoulli%这里选用了第5种混沌映射，Piecewise。xold = X(i,:); %记录当前X(i,:),如果采用SABO算法适应度值没有降低，就选用这个xold用黄金正弦算法更新粒子位置X(i,:)= X(i,:)+((C1.*DX(i,:))./(N)); %采用SABO算法更新粒子位置
结果一览
“阅读原文”获取程序源码
