一、紅鸢優化算法簡介
紅鸢優化算法（Red kite Optimization Algorithm，ROA）由Jalal Raeisi Gahruei和Zahra Beheshti于2022年提出。
參考文獻：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22.
二、CEC2017簡介
CEC2017共有30個無限制測試函數分别是：單峰函數(F1-F3)、簡單多峰函數(F4-F10)、混合函數(F11-F20)群組合函數(F21-F30)。測試次元包含：10D、30D、50D、100D。CEC2017無限制測試問題随着次元的增加求解極其困難。
三、求解結果
将紅鸢優化算法ROA運用于求解CEC2017中30個無限制函數，其中每個測試函數可以選擇的次元分别有：10D、30D、50D、100D。增大疊代次數，ROA的求解效果更佳。本例測試函數次元均為為10D（可根據自己需求調整），最大疊代次數為5000次。
clc
close all
clear
% 參考文獻：Jalal Raeisi Gahruei, Zahra Beheshti, The Electricity Consumption Prediction using Hybrid Red kite Optimization Algorithm with Multi-Layer Perceptron Neural Network, Journal of Intelligent Procedures in Electrical Technology, (2022), Vol. 15 (60), pp. 1-22.
func_num=1;%選擇測試函數1-30
D=10;%10/30/50/100
Xmin=-100;
Xmax=100;
pop_size=100;%種群大小
iter_max=5000;%最大疊代次數
fhd=str2func('cec17_func');
[gbest,Fitness,Curve]= ROA(fhd,D,pop_size,iter_max,Xmin,Xmax,func_num);
figure
semilogy(Curve, 'LineWidth',1.5);
legend('ROA' );
xlabel('疊代次數');
ylabel('适應度值');
title(strcat('CEC2017-F',num2str(func_num)));
F1:
F2:
F3:
F4:
四、參考代碼
源檔案夾包含ROA求解CEC2017的所有代碼，測試函數共30個。每個函數可選擇次元分别為：10、30、50與100。直接點選main.m檔案直接運作，支援二次開發。