【优化求解】麻雀搜索优化算法（SSA）matlab源码

Matlab科研辅导帮

已于 2024-09-23 22:36:47 修改

阅读量19

点赞数

文章标签： python 算法人工智能 matlab 数据结构

于 2021-06-29 22:50:11 首次发布

本文链接：https://blog.csdn.net/m0_60703264/article/details/120135915

版权

麻雀搜索算法的具体步骤描述以及公式介绍：

构建麻雀种群：\ 在这里插入图片描述

其中，d表示待优化问题的维数，n表示麻雀种群的数量。所有麻雀种群的适应度函数可以表示成如下形式：

在这里插入图片描述

其中，Fx表示适应度函数值。

麻雀算法中的麻雀具有两大类分别是发现者和加入者，发现者负责为整个种群寻找食物并为加入者提供觅食的方向，因此，发现者的觅食搜索范围要比加入者的觅食搜索范围大。在每次迭代过程中，发现者按照公式(3)进行迭代。

在这里插入图片描述

其中，t表示当前迭代次数，Xij表示第i个麻雀种群在第j维中的位置信息,阿尔法表示的0到1的随机数，itermax表示最大迭代次数，Q表示一个服从正态分布的随机数，L是一个1*d并且元素全为1的矩阵，R2属于0-1表示麻雀种群位置的预警值，ST属于0.5-1表示麻雀种群位置的安全值。

当R2\ST时意味着种群中有部分麻雀已经发现捕食者，并向种群中的其他麻雀发出预警，所有麻雀都需要飞往安全区域进行觅食。

在觅食过程中，部分加入者会时刻监视发现者，当发现者发现更好的食物，加入者会与其进行争夺，若成功，会立即获得该发现者的食物，否则加入者按照公式(4)进行位置更新。

在这里插入图片描述

其中，XP表示目前发现者所发现的最优位置，Xworst表示当前全局最差的位置，A表示其元素随机赋值为1或-1的1*d的矩阵并且满足一下关系：

L仍然是一个1*d并且元素全为1的矩阵。当i>n/2时这表明第i个加入者没有获得食物，处于饥饿状态，此时需要飞往其他地方进行觅食，以获得更多的能量。

在麻雀种群中，意识到危险的麻雀数量占总数的10%到20%，这些麻雀的位置是随机产生的，按照公式(5)对意识到危险的麻雀的位置进行不断更新。

其中，Xbest表示当前全局最优位置，是服从标准正态分布的随机数用来作为步长控制参数，贝塔是一个属于-1到1的随机数，fi表示当前麻雀个体的适应度值，fg表示全局最佳适应度值，fw表示全局最差适应度值，像左耳朵一样的这个是读"一不洗诺"吗？"一不洗诺"表示一个避免分母为0的常数。当fi>fg时表示此时麻雀处于种群边缘，极易受到捕食者的攻击，当fi=fg时表示处于种群中间的麻雀也受到了危险，此时需要靠近其他麻雀以减少被捕食的风险。

```

%____________________________

% You can simply define your cost in a seperate file and load its handle to fobj % The initial parameters that you need are: %_____________ % fobj = @YourCostFunction % dim = number of your variables % Maxiteration = maximum number of generations % SearchAgents_no = number of search agents % lb=[lb1,lb2,...,lbn] where lbn is the lower bound of variable n % ub=[ub1,ub2,...,ubn] where ubn is the upper bound of variable n % If all the variables have equal lower bound you can just % define lb and ub as two single number numbers

% To run SSA: [Bestscore,Bestpos,SSAcgcurve]=SSA(SearchAgentsno,Maxiteration,lb,ub,dim,fobj) %______________

clear all clc

SearchAgents_no=30; % Number of search agents

Function_name='F1'; % Name of the test function that can be from F1 to F23 (

Max_iteration=1000; % Maximum numbef of iterations

% Load details of the selected benchmark function [lb,ub,dim,fobj]=GetFunctionsdetails(Function_name);

[Bestscore,Bestpos,SSAcgcurve]=SSA(SearchAgentsno,Maxiteration,lb,ub,dim,fobj);

figure('Position',[500 500 660 290]) %Draw search space subplot(1,2,1); funcplot(Functionname); title('Parameter space') xlabel('x1'); ylabel('x2'); zlabel([Functionname,'( x1 , x_2 )'])

%Draw objective space subplot(1,2,2); semilogy(SSAcgcurve,'Color','r') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far');

axis tight grid on box on legend('SSA')

display(['The best solution obtained by SSA is \m ', num2str(Bestpos)]); display(['The best optimal value of the objective funciton found by SSA is \n ', num2str(Bestscore)]);

```