---

【获取资源请见文章第5节：资源获取】

---

1. 原始鹦鹉优化算法PO

鹦鹉优化算法（Parrot optimizer，PO）是2024提出来的新算法。作者根据鹦鹉的四种不同的行为特征:觅食、停留、交流和对陌生人的恐惧，提出了这个算法。觅食行为描述鹦鹉在食物丰富的小群体中觅食，可以利用主人的位置和群体的存在，向食物靠近；停留行为描述鹦鹉在主人身体的不同部位随机栖息；交流行为描述鹦鹉在群体中进行交流，既用于社会互动，也用于信息传播；对陌生人的恐惧行为描述鹦鹉离开不熟悉的个体，向它们的主人寻求保护。

2. 改进后的IPO算法

2.1 自适应切换因子

在鹦鹉优化算法的交流行为阶段，有两个公式来更新鹦鹉的位置，其中一个公式描述的是鹦鹉在种群进行交流的行为，另外一个公式描述的是鹦鹉进行信息传播的行为，通过H因子来控制这两种行为的概率。其中，描述信息传播行为的公式，其变异力度较小，当种群陷入局部最优时，并不能有效地跳出局部最优。因此，提出自适应切换因子策略，让鹦鹉在迭代后期更多的进行种群间交流行为，减少低效的信息传播行为。

2.2 混合柯西和高斯变异

在传统鹦鹉优化算法迭代过程中，鹦鹉个体的快速同化可能会导致种群聚集在当前最优位置附近，从而陷入局部最优解而无法发现全局最优解。为了解决这个问题，引入变异算子对个体进行干扰，以增加种群的多样性，跳出局部最优解。柯西和高斯变异是两种常用的变异算子，但各自存在一些缺点。因此，提出一种融合了柯西变异和高斯变异各自的优点的自适应高斯-柯西混合变异策略。

3. 部分代码展示

close all
clear
clc
N = 30; % Number of search agents
Function_name='F1'; % Name of the test function that can be from F1 to F23 
Max_iteration = 500; % Maximum numbef of iterations% Load details of the selected benchmark function
[lb,ub,dim,fobj] = Get_Functions_details(Function_name);
[Best_pos_PO, Best_score_PO, Convergence_PO] = PO(N,Max_iteration,lb,ub,dim,fobj);
[Best_pos_IPO, Best_score_IPO, Convergence_IPO] = IPO(N,Max_iteration,lb,ub,dim,fobj);% Draw search space
figure('Position',[454   445   694   297]);
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])% Draw objective space
subplot(1,2,2);
semilogy(Convergence_PO,'Color','k','Linewidth', 1.5)
hold on
semilogy(Convergence_IPO,'Color','r','Linewidth', 1.5)
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on
legend('PO','IPO')

4. 仿真结果展示

5. 资源获取

可更换其他群智能算法，获取完整代码资源。👇👇👇👀名片