【优化求解】基于向日葵优化算法(SFO)求解最优目标matlab代码

Matlab科研辅导帮

已于 2023-05-16 12:34:43 修改

阅读量132

点赞数

分类专栏：优化求解文章标签： matlab 算法开发语言

于 2021-11-16 12:18:04 首次发布

本文链接：https://blog.csdn.net/m0_60703264/article/details/121324656

版权

优化求解专栏收录该内容

357 篇文章 45 订阅

订阅专栏

这篇文章介绍了使用SFO算法对种群进行优化的过程，通过模拟向日葵随太阳移动的行为，展示了算法在求解函数优化问题中的应用。代码展示了从种群初始化、迭代优化到结果展示的全过程，包括函数曲线图和性能指标分析。

摘要由CSDN通过智能技术生成

1 简介

向日葵的模式是一致的：它们每天都像时钟一样随着太阳走。在傍晚时分，它们会走另一条路，在第二天早上的聚会上待命。

2 部分代码

%% 清除环境变量
clear 
clc

%% 参数设置
N = 30;             % 种群规模
Function_name = 'F1';         % 从F1到F23的测试函数的名称（本文中的表1、2、3）
Max_iteration = 1000;           % 最大迭代次数
cnt_max = 1;
% 加载所选基准函数的详细信息
[lb, ub, dim, fobj] = Get_Functions_details(Function_name);

Curve_SFO = zeros(1, Max_iteration);

for cnt = 1:cnt_max
   % 初始化种群位置
   X = initialization(N, dim, ub, lb);
   
  [SFO_Best_score(cnt), SFO_Best_pos(cnt, :), SFO_Curve] = SFO(X, N, Max_iteration, lb, ub, dim, fobj);
   
   Curve_SFO = Curve_SFO+SFO_Curve;
end
Curve_SFO = Curve_SFO/cnt_max;

std_SFO = std(SFO_Best_score);

best_SFO = max(SFO_Best_score);

worst_SFO = min(SFO_Best_score);

mean_SFO = mean(SFO_Best_score);

%% 画图
% 1、画出所选基准函数的三维立体图形
figure;
func_plot(Function_name);
title(Function_name)
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])

% 2、画出目标函数值变化曲线图
figure;
t = 1:Max_iteration;
semilogy(t, Curve_SFO, 'rd-', ...
   'linewidth', 1.5, 'MarkerSize', 8, 'MarkerIndices', 1:100:Max_iteration);
title('Sphere')
xlabel('Iteration');
ylabel('Fitness');
axis fill
grid on
box on
legend('SFO');

%% 显示结果
disp(['函数：', num2str(Function_name)]);
disp(['SFO：最大值: ', num2str(best_SFO), ',最小值:', num2str(worst_SFO), ',平均值:', num2str(mean_SFO), ',标准差:', num2str(std_SFO)]);