多目标蝗虫优化算法，亲测可用。Multi-objective Grasshopper Optimization Algorithm

matlab开发-mogomulti-objectivegrasshopper优化算法。蝗虫优化算法（Mogoa）的多目标版本

所提出的算法数学建模和模拟了蝗虫在自然界的成群行为，以解决优化问题。提出了模拟蝗虫之间斥力和牵引力的数学模型。斥力允许蚱蜢探索搜索空间，而吸引力鼓励它们开发有潜力的区域。为平衡勘探与开发，在果阿地区设置了一个自适应降低蝗虫舒适区系数。最后，将蝗虫群所得到的最佳解作为蝗虫追逐改进的目标。

简介：蝗虫算法( Grasshopper Optimization Algorithm，GOA ) 是 由 Saremi 等[1]于2017 年提出的一种元启发式仿生优化算法，具有较高的搜索效率和较快的收敛速度，且算法本身特殊的自适应机制能够很好地平衡全局和局部搜索过程，具有较好的寻优精度。 内容：GOA蝗虫优化算法，测试单峰和多峰函数

为了更加准确有效地监测高压并联电抗器铁芯和绕组机械状态，提出了基于混沌理论与蝗虫优化K-means聚类算法的电抗器铁芯和绕组松动状态监测方法。首先，对振动信号的混沌特性进行分析，采用C-C法选择最佳延迟时间和嵌入维数，对电抗器振动信号进行相空间重构；然后，利用蝗虫算法优化传统K-means聚类算法，从而更加合理地选取初始簇中心，进而通过优化后的K-means聚类算法求出重构信号相轨迹的簇中心；最后，根据簇中心位移矢量和的模值变化对电抗器铁芯和绕组松动状态进行监测。研究结果表明：采用Wolf法求得