基于 CLPSO 的 LS 改进：CLPSO-LS-SA

依赖环境

• cec2013single
• numpy
• matplotlib
• scipy

其中，cec2013single 的资源来自于https://github.com/dmolina/cec2013single，为 CEC2013 官方测评框架 C 语言实现版本的非官方 Python 封装版本。

此处使用的版本修改了该资源中的部分代码，以确保benchmark.get_info(fun_num, n_dim)['best']字段与 Problem Definitions and Evaluation Criteria for the CEC 2013 Special Session on Real-Parameter Optimization 中给出的最优解相符合。

可直接进入cec2013single-master文件夹，执行：

python setup.py install

完成配置。

实验方式

确保当前运行目录为exp的上级目录，运行exp/test.py。

若直接运行，测评的函数为所有 $28$ 个 CEC2013 标准函数，维度为 $10$，测评的 PSO 变体为：

• PSO
• CLPSO
• 改进的 CLPSO-LS-Simulated-Annealing(CL-SA)
• CLPSO-LS-BFGS(CL-BFGS)
• CLPSO-LS-Nelder-Mead(CL-N-M)

默认情况下，实验结果存储在形如res + 实验时间的文件夹中，其中文件夹fig存储图片结果，res文件夹中 result.csv存储实验数据。

参考文献

• Liang J J, Qin A K, Suganthan P N, et al. Comprehensive learning particle swarm optimizer for global optimization of multimodal functions[J]. IEEE transactions on evolutionary computation, 2006, 10(3): 281-295.
• Cao Y, Zhang H, Li W, et al. Comprehensive learning particle swarm optimization algorithm with local search for multimodal functions[J]. IEEE Transactions on Evolutionary Computation, 2018, 23(4): 718-731.
• Liang J J, Qu B Y, Suganthan P N, et al. Problem definitions and evaluation criteria for the CEC 2013 special session on real-parameter optimization[J]. Computational Intelligence Laboratory, Zhengzhou University, Zhengzhou, China and Nanyang Technological University, Singapore, Technical Report, 2013, 201212(34): 281-295.