【智能优化算法】基于混合策略改进的蝴蝶优化算法(MSBOA)求解单目标优化问题matlab代码...

1 简介

针对蝴蝶优化算法(BOA)容易陷入局部最优和收敛性差等问题,提出一种多策略改进的蝴蝶优化算法(MSBOA).首先引入余弦相似度位置调整策略,通过旋转变化算子和伸缩变换算子进行位置更新,从而有效地保持BOA的种群多样性;其次引入动态切换概率,来平衡BOA局部阶段和全局阶段的转换;最后增加混合惯性权重策略,以提高BOA的收敛速度.使用16个基准测试函数,Wilcoxon检验以及部分CEC2014函数来验证MSBOA的有效性和鲁棒性.仿真实验结果表明,与BOA和其他改进策略BOA及其他群智能算法相比,MSBOA在收敛精度和收敛速度上有明显的提升.

2 部分代码

登录后复制

          
          

           
           function [fmin, best_pos, Curve] = BOA(X, N, Max_iter, lb, ub, dim, fobj)
           
           
%% BOA参数
           
           
p = 0.8;                            % 开关概率
           
           
power_exponent = 0.1;
           
           
sensory_modality = 0.01;
           
           
for i = 1:N
           
           
    fitness(i) = fobj(X(i, :));
           
           
end
           
           
% 最优解
           
           
[fmin, I] = min(fitness);
           
           
best_pos = X(I, :);
           
           
S = X;
           
           
%% 迭代
           
           
for t = 1:Max_iter
           
           
    for i = 1:N
           
           
        % 计算与目标函数相关的每只蝴蝶的香味
           
           
        Fnew = fobj(S(i, :));
           
           
        FP = (sensory_modality*(Fnew^power_exponent));
           
           
        % 全局或局部搜索
           
           
        if rand < p
           
           
            dis = rand * rand * best_pos - X(i, :);        % Eq. (2) in paper
           
           
            S(i, :) = X(i, :)+dis*FP;
           
           
        else
           
           
            % 在附近随机找蝴蝶
           
           
            epsilon = rand;
           
           
            JK = randperm(N);
           
           
            dis = epsilon*epsilon*X(JK(1), :)-X(JK(2), :);
           
           
            S(i, :) = X(i, :)+dis*FP;                             % Eq. (3) in paper
           
           
        end
           
           
        % 边界处理
           
           
        S(i, :) = simplebounds(S(i, :), lb, ub);
           
           
        % 新的个体适应度值
           
           
        Fnew = fobj(S(i, :));  % Fnew represents new fitness values
           
           
        % If fitness improves (better Xutions found), update then
           
           
        if Fnew <= fitness(i)
           
           
            X(i, :) = S(i, :);
           
           
            fitness(i) = Fnew;
           
           
        end
           
           
        % 更新当前全局最优解
           
           
        if Fnew <= fmin
           
           
            best_pos = S(i, :);
           
           
            fmin = Fnew;
           
           
        end
           
           
    end
           
           
    Curve(t) = fmin;
           
           
    % 更新感觉因子
           
           
    sensory_modality = sensory_modality_NEW(sensory_modality, Max_iter);
           
           
    disp(['BOA: At iteration ', num2str(t), ' ,the best fitness is ', num2str(Curve(t))]);
           
           
end
           
           
%% 边界限制函数
           
           
function s = simplebounds(s, Lb, Ub)
           
           
s = max(s, Lb);
           
           
s = min(s, Ub);
           
           
end
           
           
function y=sensory_modality_NEW(x, Ngen)
           
           
y = x+(0.025/(x*Ngen));
           
           
end
           
           
end
          
          

• 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.

3 仿真结果

4 参考文献

[1]陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9):10.

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。