使用遗传算法（GA）和差分进化算法（DE）在cec2014上测试10个函数，分别会得到10个值，怎么知道GA和DE的性能哪个更优

要比较GA和DE算法的性能，可以使用统计显著性测试方法，如Wilcoxon符号秩检验或Friedman检验。

Wilcoxon符号秩检验是比较两个算法结果的常见方法之一。该检验的假设是，对于一组相互独立的样本，来自两个算法的样本对应的差异是对称的，即每个样本都有等概率大于或小于另一个样本的可能性。该检验的结果将给出一个p值，如果p值小于0.05，则可以拒绝假设，即两个算法的结果不同，否则无法拒绝假设。

Friedman检验是一种非参数多重比较方法，用于比较多个算法的性能。它的假设是，每个算法的结果都是从同一总体中独立抽取的，并且这些结果是相互独立的。该检验将对每个算法求出平均秩次，并将这些平均秩次与整体平均秩次进行比较。如果p值小于0.05，则可以拒绝假设，即至少有一个算法的结果不同于其他算法，否则无法拒绝假设。

需要注意的是，这些检验仅可以用于比较数值结果，而不能用于比较算法的收敛速度或其他非数值特征。因此，在比较GA和DE算法时，应该仅使用数值结果进行比较。

相关问题

cec2017测试函数在matlab上怎么跑

### 如何在 MATLAB 上运行 CEC2017 测试函数

#### 加载必要的工具箱和脚本
为了能够在MATLAB环境中执行CEC2017测试函数，需先下载并安装相应的工具包。通常情况下，该工具包会包含一组预定义的.m文件，其中封装了各个测试函数的具体实现逻辑[^3]。

#### 初始化工作区环境设置
启动MATLAB之后，在命令窗口输入`cd('路径')`切换到保存有CEC2017测试函数源码的位置；接着利用`addpath(genpath('./'))`语句把当前目录下的所有子文件夹都加入至搜索路径当中以便后续调用[^2]。

#### 创建优化算法实例
假设要创建一个简单的粒子群优化(PSO)来求解某个特定编号f(x)，则可以通过如下方式初始化群体规模、迭代次数等参数：

options = struct();
options.PopulationSize = 50; % 种群大小设为50
options.MaxIterations = 1e4; % 最大迭代数设定为一万次

#### 定义目标函数接口
对于CEC2017标准测试集而言，每一个具体的测试案例都被赋予了一个独一无二的功能名称，比如`F1`代表的是Sphere Model这类单模态问题。因此当希望指定某项具体任务时，只需按照官方文档给出的形式编写匿名函数即可完成映射关系的确立:

fun = @(x) cec2017(x, 'F1'); % 使用 F1 函数作为目标函数
lb = -100 * ones(1, D); ub = 100 * ones(1, D);
D = 30;
[x,fval] = ga(fun,D,[],[],[],[],lb,ub,[],options);
disp(['最优解:', num2str(fval)]);

上述代码片段中，变量`D`表示决策空间维度数目，默认取值为三十维；而`ga()`则是遗传算法的一个内置函数，这里用来代替其他可能的选择如差分进化(DE)[^1]。