👨‍🎓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

文献来源：

本研究提出了一种改进版本的基于供给需求的优化（SDO）算法，这是一种最新开发的元启发式搜索方法。为了更有效地在SDO中对供需过程进行建模，使用适应度-距离平衡（FDB）方法确定了指导搜索过程的候选解决方案。为了测试和验证开发的基于FDB的SDO算法的性能，使用了现代基准测试套件CEC 2017。该套件有四种不同的类型和三十个不受约束的测试问题。在30/50/100维度上设计这些问题，以测试和验证所提算法在不同类型和维度的搜索空间中的性能。此外，还使用了20个工程设计问题来测试和验证所提出的FDBSDO变化在约束工程设计问题中的性能。使用非参数统计检验方法分析两项实验研究的数据。根据分析结果，在所有实验研究中，FDBSDO 变体与基本算法相比表现出更好的性能，具有约束/无约束、单峰/多模态/混合/组合问题类型和不同维度。FDB选择方法的实现消除了SDO算法过早收敛的问题。所提出的FDBSDO算法具有灵敏搜索的能力，有效地提供多样性，并在开发与探索之间建立强大的平衡。

📚2 运行结果

>> clear
>> Main
Best Fitness: 0
Best Solution:
  1.0e-188 *

  1 至 6 列

   0.030433970441272   0.119285342992284  -0.200357222030440   0.297422355785162   0.243943075698639  -0.066134217605201

  7 至 12 列

  -0.079233582258019  -0.488406887382094   0.151556329519022  -0.473651848193521   0.598352840736898  -0.240617155620562

  13 至 18 列

   0.116284366732831  -0.102563552154731  -0.335148677375002   0.164411860537615  -0.070082082065116  -0.199061711671232

  19 至 24 列

   0.464975445730445  -0.147034098632501   0.155336436796199   0.360279584383305  -0.470133243231548  -0.317090202768799

  25 至 30 列

  -0.105189174352339  -0.241764658403916   0.225006961945101   0.740405936122786   0.169874040382366   0.293869821353759

>> 

部分代码：

function []=fdb_sdo()
    % FunIndex: Index of function.
    % MaxIt: The maximum number of iterations.
    % MarketSize: The size of markets.
    % Dim: The size of commodities in each market.
    % Alpha: The supply weight.
    % Beta: The demand weight.
    % BestX: The best solution found so far. 
    % BestF: The best fitness corresponding to BestX. 
    % HisBestFit: History best fitness over iterations. 
    % Market: The population of markets.
    % Low: The low bound of search space.
    % Up: The up bound of search space.
    % Initialize n markets each of which has a commodity. 
    [MarketSize, Dim, maxIteration, Low, Up] = problem_terminate();
    
    MaxIt = ceil((maxIteration / (MarketSize*2)));

    CommPrice = zeros(MarketSize,Dim);
    CommPriceFit = zeros(MarketSize,1);

    CommQuantity = zeros(MarketSize,Dim);
    CommQuantityFit = zeros(MarketSize,1);
    
    Matr=[1 Dim];
    
    for i=1:MarketSize
         CommPrice(i,:)=rand(1,Dim).*(Up-Low)+Low;
         CommPriceFit(i)= problem(CommPrice(i,:));

         CommQuantity(i,:)=rand(1,Dim).*(Up-Low)+Low; 
         CommQuantityFit(i)=problem(CommQuantity(i,:));   

         if  CommQuantityFit(i)<= CommPriceFit(i)
             CommPriceFit(i)= CommQuantityFit(i);
             CommPrice(i,:)= CommQuantity(i,:);
         end    
    end
    
    for Iter=1:MaxIt   
                
        a=2*(MaxIt-Iter+1)/MaxIt;    
        F=zeros(MarketSize,1); 
        
        MeanQuantityFit = mean(CommQuantityFit);     
        for i=1:MarketSize       
            F(i) =(abs( CommQuantityFit(i)-MeanQuantityFit)+10^(-15)); % Equation (7)
        end    
        FQ=F/sum(F);  % Equation (8)
        
        MeanPriceFit=mean(CommPriceFit);  
        for i=1:MarketSize       
            F(i) =(abs( CommPriceFit(i)-MeanPriceFit)+10^(-15));%Equation (10)
        end 
        FP=F/sum(F);       % Equation (11)
        MeanPrice=(mean(CommPrice));

        for i=1:MarketSize 
            Ind=round(rand)+1;
            Alpha=a*sin((2*pi)*rand(1,Matr(Ind))); % Equation (16)
            Beta=2*cos((2*pi)*rand(1,Matr(Ind))); % Equation (17)
            k=find(rand<=cumsum(FQ),1,'first'); % Equation (9)
            CommQuantityEqu=CommQuantity(k,:);
             if rand>0.5               
                CommPriceEqu=rand*MeanPrice;% Equation (12)
              else
                k=find(rand<=cumsum(FP),1,'first');   
                CommPriceEqu=CommPrice(k,:); % Equation (12)        
             end
              
              % Supply function (supply relation of producers)
                fdbIndex = rouletteFitnessDistanceBalance(CommQuantity, CommQuantityFit);
                NewCommQuantity=CommQuantity(fdbIndex,:)+Alpha.*( CommPrice(i,:)-CommPriceEqu); %Equation (13)  

             NewCommQuantity=SpaceBound(NewCommQuantity,Up,Low); 
             NewCommQuantityFit = problem(NewCommQuantity);  
             
             if NewCommQuantityFit<= CommQuantityFit(i)
                 CommQuantityFit(i)=NewCommQuantityFit;
                 CommQuantity(i,:)=NewCommQuantity;
             end
             
             % Demand function (demand relation of consumers)
             NewCommPrice=CommPriceEqu-Beta.*(NewCommQuantity-CommQuantityEqu );% Equation (14)
             NewCommPrice=SpaceBound(NewCommPrice,Up,Low);
             NewCommPriceFit = problem(NewCommPrice);   
             
             if NewCommPriceFit<= CommPriceFit(i)
                 CommPriceFit(i)=NewCommPriceFit;
                 CommPrice(i,:)=NewCommPrice;
             end       
        end    
       
        % Replacement
        for i=1:MarketSize        
            if  CommQuantityFit(i)<= CommPriceFit(i)
                CommPriceFit(i)= CommQuantityFit(i);
                CommPrice(i,:)= CommQuantity(i,:);
            end        
        end
    
    end
    [ bestFitness, index] = min(CommPriceFit);
    bestSolution = CommPrice(index, :);
     
    fprintf('Best Fitness: %d\n', bestFitness);
    disp('Best Solution:'); 
    disp(bestSolution);
    
end
function  X=SpaceBound(X,Up,Low)

    Dim=length(X);
    S=(X>Up)+(X<Low);    
    X=(rand(1,Dim).*(Up-Low)+Low).*S+X.*(~S);

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。

W. Zhao, L. Wang and Z. Zhang, "Supply-Demand-Based Optimization: A Novel Economics-Inspired Algorithm for Global Optimization," in IEEE Access, vol. 7, pp. 73182-73206, 2019, doi: 10.1109/ACCESS.2019.2918753.