基于正交对立学习的改进麻雀搜索算法( OOLSSA)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

针对麻雀搜索算法种群多样性少,局部搜索能力弱的问题,本文提出了基于正交对立学习的改进型麻雀搜索算法(OOLSSA).首先,在算法中引入正态变异算子,丰富算法种群多样性;其次,利用对立学习策略,增强算法跳出局部最优的能力;然后,在加入者更新之后引入正交对立学习机制,加快算法的收敛速度;最后,基于15个基准测试函数与6个传统优化算法和2个改进型算法进行仿真实验,非参数Friedman检验以及算法平衡能力进行分析,评估OOLSSA算法寻优性能.仿真结果证明,OOLSSA与其余8种算法相比,算法的探索开发能力以及收敛速度都表现良好.

⛄ 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 = round(pop*PD); %发现者数量

SDNumber = round(SD*pop);%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()*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(1,dim).*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]王天雷, 张绮媚, 李俊辉,等. 基于正交对立学习的改进麻雀搜索算法[J]. 电子测量技术, 2022(010):045.

⛳️ 完整代码

❤️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