普拉萨图矩阵和分数，与鲸鱼优化算法进行比较（Matlab代码实现）

 ‍个人主页：研学社的博客 

欢迎来到本博客❤️❤️

博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

本文目录如下：

目录

1 概述

2 运行结果

3 Matlab代码实现

4 参考文献

---

1 概述

普拉萨图尔矩阵： Prasatul 矩阵是通过直接比较两种优化算法产生的 r 个试验的解来制备的。它在行和列中具有三个抽象级别。 指令： 为了进行质量比较，您可以简单地在 r 运行中使用通过两种进化优化算法获得的最佳值。 对于收敛比较，您可以在单次运行的 i 迭代中使用通过两种进化优化算法获得的最佳值（或者，如果考虑 r 次运行，则采用迭代平均值）。 对于解决方案质量，给出了 SCA 和 WOA 在 CEC 2005 f5 上获得的解决方案的示例，该解决方案在维度 20 中运行超过 50 次。您只需要替换任何一对算法的 csv 文件即可生成 LMatrix（Prasatul 矩阵）和 D 分数和 K 分数。

2 运行结果

 部分代码：

function [Dscores, Kscores ] = getDKscores(L)
    n=sum(sum(L));
    o1=L(1,1)/(1+L(1,1)+L(2,1)+L(3,1));
    o2=L(1,2)/(1+L(1,2)+L(2,2)+L(3,2));
    o3=L(1,3)/(1+L(1,3)+L(2,3)+L(3,3));
    DO=o1+0.5*o2-o3;
    
    c1=L(1,1)/(1+L(1,1)+L(1,2)+L(1,3));
    c2=L(2,1)/(1+L(2,1)+L(2,2)+L(2,3));
    c3=L(3,1)/(1+L(3,1)+L(3,2)+L(3,3));
    DC=c1+0.5*c2-c3;
    
    ko1=(L(1,1)+L(2,1)+L(3,1))/n;
    ko2=(L(1,2)+L(2,2)+L(3,2))/n;
    ko3=(L(1,3)+L(2,3)+L(3,3))/n;
    KO=ko1+0.5*ko2-ko3;
    
    kc1=(L(1,1)+L(1,2)+L(1,3))/n;
    kc2=(L(2,1)+L(2,2)+L(2,3))/n;
    kc3=(L(3,1)+L(3,2)+L(3,3))/n;
    KC=kc1+0.5*kc2-kc3;
    
    KT=(L(1,1)+L(1,2)+L(2,1)+L(2,2))/n;
    
    Dscores=[DO DC];
    Kscores=[KO KC KT];
end

function [Dscores, Kscores ] = getDKscores(L)
    n=sum(sum(L));
    o1=L(1,1)/(1+L(1,1)+L(2,1)+L(3,1));
    o2=L(1,2)/(1+L(1,2)+L(2,2)+L(3,2));
    o3=L(1,3)/(1+L(1,3)+L(2,3)+L(3,3));
    DO=o1+0.5*o2-o3;
    
    c1=L(1,1)/(1+L(1,1)+L(1,2)+L(1,3));
    c2=L(2,1)/(1+L(2,1)+L(2,2)+L(2,3));
    c3=L(3,1)/(1+L(3,1)+L(3,2)+L(3,3));
    DC=c1+0.5*c2-c3;
    
    ko1=(L(1,1)+L(2,1)+L(3,1))/n;
    ko2=(L(1,2)+L(2,2)+L(3,2))/n;
    ko3=(L(1,3)+L(2,3)+L(3,3))/n;
    KO=ko1+0.5*ko2-ko3;
    
    kc1=(L(1,1)+L(1,2)+L(1,3))/n;
    kc2=(L(2,1)+L(2,2)+L(2,3))/n;
    kc3=(L(3,1)+L(3,2)+L(3,3))/n;
    KC=kc1+0.5*kc2-kc3;
    
    KT=(L(1,1)+L(1,2)+L(2,1)+L(2,2))/n;
    
    Dscores=[DO DC];
    Kscores=[KO KC KT];
end

3 Matlab代码实现

4 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Anupam Biswas (2022) Prasatul Matrix and scores for direct comparison of Evolutionary Optimization algorithms