基于自适应t分布的麻雀搜索算法求解单目标优化问题附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

⛄ 内容介绍

针对麻雀搜索算法收敛速度慢、难以跳出局部最优等问题,提出一种基于t分布变异的改进麻雀搜索算法.在更新麻雀种群加入者位置后,引入自适应t分布变异,对加入者位置产生扰动,避免陷入局部最优,增强算法性能;通过比较灰狼优化算法、飞蛾火焰优化算法和原始麻雀搜索算法,在6个基准函数上进行仿真实验.实验结果和Wilcoxon符号秩检验结果都表明所提出的改进麻雀搜索算法的收敛精度与速度均优于其他算法,达到提高算法收敛速度,增强算法跳出局部极值能力的效果.

⛄ 部分代码

%_________________________________________________________________________%

% 麻雀优化算法             %

%_________________________________________________________________________%

function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)

ST = 0.6;%预警值

PD = 0.7;%发现者的比列，剩下的是加入者

SD = 0.2;%意识到有危险麻雀的比重

PDNumber = pop*PD; %发现者数量

SDNumber = pop - pop*PD;%意识到有危险麻雀数量

if(max(size(ub)) == 1)

   ub = ub.*ones(1,dim);

   lb = lb.*ones(1,dim);  

end

%种群初始化

X0=initialization(pop,dim,ub,lb);

X = X0;

%计算初始适应度值

fitness = zeros(1,pop);

for i = 1:pop

   fitness(i) =  fobj(X(i,:));

end

 [fitness, index]= sort(fitness);%排序

BestF = fitness(1);

WorstF = fitness(end);

GBestF = fitness(1);%全局最优适应度值

for i = 1:pop

    X(i,:) = X0(index(i),:);

end

curve=zeros(1,Max_iter);

GBestX = X(1,:);%全局最优位置

X_new = X;

for i = 1: Max_iter

    BestF = fitness(1);

    WorstF = fitness(end);

    R2 = rand(1);

   for j = 1:PDNumber

      if(R2<ST)

          X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));

      else

          X_new(j,:) = X(j,:) + randn()*ones(1,dim);

      end     

   end

   for j = PDNumber+1:pop

%        if(j>(pop/2))

        if(j>(pop - PDNumber)/2 + PDNumber)

          X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);

       else

          %产生-1，1的随机数

          A = ones(1,dim);

          for a = 1:dim

            if(rand()>0.5)

                A(a) = -1;

            end

          end 

          AA = A'*inv(A*A');     

          X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';

       end

   end

   Temp = randperm(pop);

   SDchooseIndex = Temp(1:SDNumber); 

   for j = 1:SDNumber

       if(fitness(SDchooseIndex(j))>BestF)

           X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));

       elseif(fitness(SDchooseIndex(j))== BestF)

           K = 2*rand() -1;

           X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));

       end

   end

   %边界控制

   for j = 1:pop

       for a = 1: dim

           if(X_new(j,a)>ub)

               X_new(j,a) =ub(a);

           end

           if(X_new(j,a)<lb)

               X_new(j,a) =lb(a);

           end

       end

   end 

   %更新位置

   for j=1:pop

    fitness_new(j) = fobj(X_new(j,:));

   end

   for j = 1:pop

    if(fitness_new(j) < GBestF)

       GBestF = fitness_new(j);

        GBestX = X_new(j,:);   

    end

   end

   X = X_new;

   fitness = fitness_new;

    %排序更新

   [fitness, index]= sort(fitness);%排序

   BestF = fitness(1);

   WorstF = fitness(end);

   for j = 1:pop

      X(j,:) = X(index(j),:);

   end

   curve(i) = GBestF;

end

Best_pos =GBestX;

Best_score = curve(end);

end

⛄ 运行结果

⛄ 参考文献

[1]吴超略, 韦文山, 郭羿,等. 基于t分布变异的改进麻雀搜索算法[J]. 微型机与应用, 2022(008):041.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料