狐獴算法——求解函数最值问题

本文介绍了使用狐獴算法解决函数最值问题的方法,以函数f(x)=x+10sin(5x)+7cos(4x),x∈[0,10]为例,通过Matlab进行实现。详细步骤包括初始化狐獴种群、划分子群、迭代更新和终止条件判断。最后,展示了狐獴算法的适应度进化曲线。" 105253396,6849940,Python的round方法与random模块详解,"['Python', '编程语言', '数值计算', '数据处理']
摘要由CSDN通过智能技术生成

例:求函数f(x)=x+10sin(5x)+7cos(4x), x∈[0,10]的最大值

算法流程图

%%适应度函数%%
function result = func(x)
fit=x+10*sin(5*x)+7*cos(4*x);
result = fit;
end

clear all; %清除所有变量
close
all; %清图
clc;
%清屏
%%初始化狐獴算法参数%%
n = 46;
%种群数量
d = 10;
%狐獴个体维数
m = 25;
%觅食子群数量
c = n-m-1;
%保姆子群数量,其中哨兵的数量为1
G = 100;
%最大终止代数
Fr = 0.4;
%觅食子群的弱劣比例
Cr = 0.4;
%保姆子群的弱劣比例
k = 1;
%邻域半径
lb = 0; ub = 10;
%

根据种群生活习性,并从中受到启发,三位原作者由此开发出算法。现在假设有一个种群,总的个体数量为n,先初始化所有的相关参数,并根据适应度函数计算所有个体的适应度值,选择适应度值最优者为哨兵,其数量为1。接下来, 剩余子群数量为(n-1),将剩余子群随机划分成两部分——觅食子群和保姆子群。 其次,将觅食子群个体进行更新,使得其整体质量要优于保姆子群,这一点也是符合种群的生活习性特征的。觅食子群中每一个个体从其本身产生邻域,并计算邻域的适应度值,若其优于该个体,则替换该个体;否则,从哨兵个体产生邻域,同理,并计算邻域的适应度值,若其优于该个体,则替换该个体,否则,将哨兵赋值给该个体。这样,觅食子群整体变得较优。 再根据计算适应度值和觅食子群和保姆子群的弱劣比例,选出觅食子群中弱劣个体,并用保姆子群中的最优个体替换觅食子群中弱劣个体;而后,随机产生一组新个体来替换保姆子群中的弱劣个体。这样,觅食子群中的个体质量明显要优于保姆子群中的个体。 最后,再根据适应度值选出这时觅食子群中的最优个体,若其优于哨兵,将其赋值给哨兵即是。当然,上述这些步骤要循环进行,直至终止条件结束。那么,哨兵即是我们最后所要找的最优个体。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值