【缎蓝园丁鸟优化算法】基于自适应权重的缎蓝园丁鸟优化算法求解单目标优化问题jack附matlab代码...

1 简介

缎蓝园丁鸟优化算法是一种新型的元启发式优化算法,针对其收敛速度慢,寻优精度低的不足,提出了一种基于自适应t分布变异的缎蓝园丁鸟优化(tSBO)算法.在tSBO算法中引入了自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强种群的多样性,避免算法陷入局部最优.通过6个标准测试函数对改进算法与FPA,BA和基本SBO算法进行测试比较,仿真结果表明,改进算法是可行有效的,相比于基本SBO算法,其收敛精度和鲁棒性有了很大程度的提高.

2 部分代码

登录后复制

          
          

           
           %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
           
           
%   Satin Bowerbird Optimizer(SBO)
           
           
%%
           
           
clc;
           
           
clear;
           
           
close all;
           
           
tic
           
           
%% Problem Definition
           
           
Function_name='F1';
           
           
[lowerbound,upperbound,numbervar,costfcn]=cost_functions(Function_name);
           
           
% VarSize=[1 numbervar];  
           
           
%% SBO Parameters
           
           
[MaxIt,nPop,alpha,pMutation,sigma]=SBO_parameters(lowerbound,upperbound);
           
           
%% Initialization
           
           
[pop,elite,BestCost]=Initialization(nPop,lowerbound,upperbound,numbervar,MaxIt,costfcn);
           
           
%% SBO Main Loop
           
           
for it=1:MaxIt
           
           
    newpop=pop;
           
           
    %Calculating the Fitness of each bower
           
           
    F=zeros(nPop,1);
           
           
    for i=1:nPop
           
           
        if pop(i).Cost>=0
           
           
            F(i)=1/(1+pop(i).Cost);
           
           
        else
           
           
            F(i)=1+abs(pop(i).Cost);
           
           
        end
           
           
    end
           
           
    %Calculating the probability of each bower
           
           
    P=F/sum(F);
           
           
    %changes at any bower
           
           
    for i=1:nPop
           
           
        for k=1:numbervar
           
           
                % Select target bower                 
           
           
                j=RouletteWheelSelection(P);
           
           
                % Calculating Step Size
           
           
                lambda=alpha/(1+P(j));
           
           
                newpop(i).Position(k)=pop(i).Position(k) ...
           
           
                    +lambda*(((pop(j).Position(k)+elite(k))/2)-pop(i).Position(k));
           
           
                % Mutation
           
           
            if rand<=pMutation
           
           
                newpop(i).Position(k)=newpop(i).Position(k)+(sigma*randn);
           
           
            end
           
           
        end  
           
           
        % Evaluation
           
           
        newpop(i).Cost=costfcn(newpop(i).Position);
           
           
    end 
           
           
     pop=[pop
           
           
         newpop
           
           
         ]; %#ok
           
           
    % Sort Population
           
           
    [~, SortOrder]=sort([pop.Cost]);
           
           
    pop=pop(SortOrder);
           
           
    pop=pop(1:nPop);
           
           
    % Update Best Solution Ever Found
           
           
    BestSol=pop(1);
           
           
    elite=BestSol.Position;
           
           
    % Store Best Cost Ever Found
           
           
    BestCost(it)=BestSol.Cost;
           
           
    % Show Iteration Information
           
           
    disp(['SBO:: Iteration-> ' num2str(it) '<----->Best Cost = ' num2str(BestCost(it))]);
           
           
end
           
           
toc
           
           
%% Results
           
           
disp(['BestSol=' num2str(elite)]);
           
           
disp(['BestCost=' num2str(BestSol.Cost)]);
           
           
figure;
           
           
semilogy(BestCost,'LineWidth',2);
           
           
xlabel('Iteration');
           
           
ylabel('Best Cost');
           
           
img =gcf;  %获取当前画图的句柄
           
           
print(img, '-dpng', '-r600', './img.png')         %即可得到对应格式和期望dpi的图像
          
          

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.
• 44.
• 45.
• 46.
• 47.
• 48.
• 49.
• 50.
• 51.
• 52.
• 53.
• 54.
• 55.
• 56.
• 57.
• 58.
• 59.
• 60.
• 61.
• 62.
• 63.
• 64.
• 65.
• 66.
• 67.
• 68.
• 69.
• 70.
• 71.

3 仿真结果

4 参考文献

[1]韩斐斐, 刘升. 基于自适应t分布变异的缎蓝园丁鸟优化算法[J]. 微电子学与计算机, 2018, 35(8):5.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。