1分钟学会使用cec2019测试函数（附Matlab代码）

• 
  

01

—

引言

前几期已推出了cec2017、cec2021、cec2022测试函数的快捷用法：

• cec2017测试函数，你还不会吗？（附Matlab代码）

• 实操cec2021测试函数（附Matlab代码）
  

• 最新最火！cec2022测试函数来了（附Matlab代码）

已初步积累了相关测试函数实操技能。那么，本期照猫画虎推出cec2019测试函数的使用，1分钟让你学会。

本期所有代码+数据在文末下载

该cec2019测试函数共有10个单目标测试函数。cec2017、cec2021、cec2022每个函数的变量维数是一样的，搜索区间也一样都在[-100,100]之间。而与其他测试函数不同的是，cec2019中每个函数的变量维数不一样，搜索区间也不一样。所有的测试函数都是解决最小化问题，D为维数，如下形式：

02

—

实操

首先需下载cec2019函数。函数的格式为cpp文件，cec19_func.cpp。在matlab里需要编译。在matlab的命令行输入：

mex cec19_func.cpp

提示MEX 已成功完成，编译生成了cec19_func.mexw64文件即可。这里我们已经为各位小伙伴下载并编译好了，文末可直接享用。

其次，加载cec2019测试函数。cec2019测试函数有10个，输入x的数据格式需为列向量，即N*1，调用方式为：

fobj = @(x) cec19_func(x,1);

数字1表示cec2019的第一个函数。当然，可以在1-10中任意选择一个数，就选择了对应的测试函数。

如果你的输入数据x是一个行向量，即1*N，调用方式为：

fobj = @(x) cec19_func(x',1);

考虑到大部分优化算法中x的格式为（nPop种群数，Dim维度），因此，我们采用了第二种fobj的调用方式。如果遇到的x是（Dim维度，nPop种群数），还需要小伙伴自行改写成第一种方式。

我们将所有cec2019函数的信息（上限ub，下限lb，维度dim，cec测试目标函数fobj）封装成了一个名为Get_Functions_cec2019.m的文件中，便于使用。

Function_name=2; % 函数名：1 - 10% lb->下限，ub->上限，fobj->目标函数，dim-> 维度[lb,ub,dim,fobj] = Get_Functions_cec2019(Function_name);

最后，调用算法测试应用。用以下7个算法简单试验一下：经典算法，粒子群优化算法PSO；高被引算法，鲸鱼优化算法WOA，灰狼优化算法GWO，哈里斯鹰优化算法HHO；最近发表的算法，蜣螂优化算法DBO（2022），长鼻浣熊优化算法COA（2022），杨氏双缝实验优化器YDSE（2022）。

1. 粒子群优化算法（PSO下载地址：优化算法-20种动物园优化算法（附Matlab代码））
   

2. 鲸鱼优化算法（WOA下载地址：优化算法-鲸鱼优化算法Whale Optimization Algorithm（附Matlab代码））

3. 哈里斯鹰优化算法（HHO下载地址：优化算法-哈里斯鹰优化算法Harris hawks optimization（附Matlab代码））

4. 灰狼优化算法（GWO下载地址：优化算法-灰狼优化算法 Grey Wolf Optimizer(附Matlab代码)）

5. 蜣螂优化算法（DBO下载地址：优化算法-蜣螂优化器 Dung beetle optimizer(附Matlab代码)）

6. 长鼻浣熊优化算法(COA下载地址：优化算法-长鼻浣熊优化算法Coati Optimization Algorithm（附Matlab代码）)

7. 杨氏双缝实验优化器（YDSE下载地址：优化算法-杨氏双缝实验优化器Young’s double-slit experiment （附Matlab代码））

整体的代码如下：

% 微信公众号：优化算法侠，Swarm-Opticlc;clear;close all%%nPop=50; % 种群数Max_iter=500; % 最大迭代次数
%% 选择函数Function_name=2; % 函数名：1 - 10% lb->下限，ub->上限，fobj->目标函数，dim-> 维度[lb,ub,dim,fobj] = Get_Functions_cec2019(Function_name);
%% 调用算法Optimal_results={}; % 保存Optimal resultsindex = 1;% WOAtic[Best_score,Best_x,cg_curve]=WOA(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='WOA';        % 算法名字Optimal_results{2,index}=cg_curve;     % 收敛曲线Optimal_results{3,index}=Best_score; % 最优函数值Optimal_results{4,index}=Best_x;       % 最优变量Optimal_results{5,index}=toc;          % 运行时间index = index +1;% HHOtic[Best_score,Best_x,cg_curve]=HHO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='HHO';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% GWOtic[Best_score,Best_x,cg_curve]=GWO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='GWO';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% DBOtic[Best_score,Best_x,cg_curve]=DBO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='DBO';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% COAtic[Best_score,Best_x,cg_curve]=COA(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='COA';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% PSOtic[Best_score,Best_x,cg_curve]=PSO(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='PSO';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;% YDSEtic[Best_score,Best_x,cg_curve]=YDSE(nPop,Max_iter,lb,ub,dim,fobj);Optimal_results{1,index}='YDSE';Optimal_results{2,index}=cg_curve;Optimal_results{3,index}=Best_score;Optimal_results{4,index}=Best_x;Optimal_results{5,index}=toc;index = index +1;%% plot 绘图figure
for i = 1:size(Optimal_results, 2)% plot(Optimal_results{2, i},'Linewidth',2) semilogy(Optimal_results{2, i},'Linewidth',2) hold onendtitle(['Convergence curve, Dim=' num2str(dim)])xlabel('Iteration');ylabel(['Best score F' num2str(Function_name) ]);ax = gca;set(ax,'Tag',char([100,105,115,112,40,39,20316,32773,58,... 83,119,97,114,109,45,79,112,116,105,39,41]));axis tightgrid onbox oneval(ax.Tag)set(gcf,'Position',[400 200 400 250])legend(Optimal_results{1, :})


测试结果展示：

F1结果：

F2结果：

F3结果：

F10结果：

当然，如果你想一次性跑完cec2019所有10个函数，可以针对Function_name自写一个for循环解决。

可以发现：只定义了一个函数（[lb,ub,dim,fobj] = Get_Functions_cec2019(Function_name)）以获取cec函数信息，算法调用部分并未对PSO等等优化算法做任何改动，保留了算法的内在结构，保证算法的纯粹性。

本推文抛砖引玉仅展示了多种（7种）算法的对比方式。相信在此基础上，各位小伙伴可以利用270多种算法跑完cec2019测试函数。速看！突破270种！-Matlab版（截至2023.7.29）

03

—

Matlab代码下载

声明：

1.对优化算法的理解受限于个人学术能力，必然有未尽之处，如有疑义请随时交流；

2.代码健壮度、效率和精准度等受限于个人编程能力，如有问题请随时交流；

3.文中有一些内容引自网络，会注明出处或引为参考文献，难免有未尽之处，如有不妥，请随时联系删改。