无需花里胡哨，近80种改进策略，仅需一行可改进任意优化算法！
根据“没有免费的午餐”，没有一个单一的群体智能优化算法可以解决所有的优化问题，每一个群体智能优化算法都有局限性和限制。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。
改进算法有难度？
找不到思路？
在这里，整理了79种改进策略的Matlab代码，详细提供了示例算法和参考文献，仅需一行代码，让你轻松改进所有优化算法。
一、佳点集初始化（有用 or 没用？这是一个问题）
佳点集理论源自我国著名数学家华罗庚。假设Hs是s维欧氏空间的单位立方体，其中存在点集：
它的偏差满足：
其中C(r，ε)是常数，只与r，ε(ε>0)有关。那么Pn(k)称为佳点集，r称为佳点集。佳点集r的值为：
其中，p是满足（p-3）/2≥s 的最小素数。（关于佳点集更多内容，互联网、中国知网上有很多，这里不在赘述）
因此，基于佳点集理论，新的初始化策略为：
其中upper为上界，low为下界。
二、21种混沌初始化（用于改进所有优化算法：21种混沌映射方法-混沌初始化（附matlab代码）
包括：
Chebyshev混沌映射Circle 混沌映射Gauss/mouse 混沌映射Iterative 混沌映射Logistic 混沌映射Piecewise 混沌映射Sine 混沌映射Singer 混沌映射Sinusoidal 混沌映射Tent 混沌映射Fuch 混沌映射SPM 混沌映射ICMIC 混沌映射Tent-Logistic-Cosine 混沌映射Sine-Tent-Cosine 混沌映射Logistic-Sine-Cosine 混沌映射Henon 混沌映射Cubic 混沌映射Logistic-Tent 混沌映射Bernoulli 混沌映射Kent 混沌映射
三、21种混沌参数化（【效果突出】优化算法改进策略：21种混沌映射方法-参数混沌化（附matlab代码））
包括：
Chebyshev混沌映射Circle 混沌映射Gauss/mouse 混沌映射Iterative 混沌映射Logistic 混沌映射Piecewise 混沌映射Sine 混沌映射Singer 混沌映射Sinusoidal 混沌映射Tent 混沌映射Fuch 混沌映射SPM 混沌映射ICMIC 混沌映射Tent-Logistic-Cosine 混沌映射Sine-Tent-Cosine 混沌映射Logistic-Sine-Cosine 混沌映射Henon 混沌映射Cubic 混沌映射Logistic-Tent 混沌映射Bernoulli 混沌映射Kent 混沌映射
四、13种变异策略（【仅需一行】13种变异策略改进所有群智能优化算法（附matlab代码））
包括：
高斯变异高斯精英变异柯西变异柯西逆累积分布变异t分布扰动变异自适应t分布扰动变异正态云变异周期变异精英差分变异 DE/best/1随机-精英差分变异 DE/rand-to-best/1随机差分变异 DE/rand/2精英差分变异 DE/best/2非均匀变异
五、10种飞行/分布函数
必备！10种分布函数，仅需一行可改进所有群优化算法（附matlab代码）
具体有：
六、Nelder‑Mead单纯形法（Nelder‑Mead simplex）
这个改进策略一定不要错过，仅需一行可改进所有群优化算法（附matlab代码）
Nelder-Mead单纯形法，又称之为Downhill单纯形法，是一种用于多维无约束问题的数值优化方法，由Nelder和Mead于1965年发明。这种方法属于迭代搜索算法类别，它使用单纯形的概念来寻找函数的最小值。单纯形是一个多维空间中的多面体，其顶点构成问题的解的集合。Nelder-Mead法不依赖于函数的导数信息，因此适用于那些难以或无法获得解析表达式的函数优化问题。
七、12种反向学习策略（Opposition_Based_Learning）
思路找对，发文不愁！12种反向学习策略，仅需一行可改进任意优化算法（附matlab代码）
反向学习策略（Opposition-Based Learning, OBL）是一种用于改进群智能优化算法的技术，以提高算法的搜索效率和解的质量。
共计79种改进策略。提供的示例算法中有原始算法和改进的算法，可以对比两者之间的不同，一行行的对比学习。其实，为了节省大家的时间、降低代码工作量，提高改进效率，改进策略均已集成函数形式，改进时调用即可，扩展性极强。改进算法的代码相较于原始算法仅增加了一行，工作量非常非常小，在改进代码中比较醒目。也就是说，照猫画虎，一行代码可以让你改进所有的优化算法，非常好用。
（友情提醒：多策略相互配合，改进效果可能会更佳哦）