基于Sinusoidal混沌映射的麻雀搜索算法求解单目标优化问题附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。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机

⛄ 内容介绍

麻雀搜索算法是一种新型的群智能优化算法， 在 2020 年由 Xue 等 [15] 提出，主要是受麻雀的觅食 和反哺食行为启发，具有寻优能力强、收敛速度快的特点。麻雀搜索算法将整个麻雀种群分为三类，即寻找食物的生产者，抢夺食物的加入者和发现危险的警戒者 。生产者和加入者可以相互转化，但各自在 种群中的占比不会发生变化。在模拟实验中，需要使用虚拟麻雀进行食物的 寻找，与其他寻优算法相同，麻雀搜索算法首先需要对麻雀种群与适应度值进行初始化，麻雀种群可 初始化为如下形式，表达式为式(3) 

中：n为麻雀的数量；d为要优化的变量的维度即独立参数的数目；xnd为第n只麻雀第d维度的值。由此，总体麻雀适应度值表征形式为 

式(4)中：f(x)为个体适应度值。适应度值较好的麻雀(即生产者)在搜索中会优先获得食物并指引群体的觅食方向与范围，与此同时，生产者会具有更大的觅食搜索范围。生产者在觅食过程中，位置不断发生移动，而在遇到捕食者时，移动规则又会发生改变，即 

式(5)中：t为当前迭代次数；j∈{1，2，…，d}；xit，j为迭代第t次时，第i个麻雀的第j个维度的值；α∈(0，1]，为随机数；iter_max为迭代次数最多的常数；R2∈[0，1]，为报警值；ST∈[0，1]，为安全阈值；Q为服从正态分布的随机数；L为1×d阶矩阵(元素全为1)。R2＜ST时，代表该区域安全，无捕食者出没，生产者会出现大范围觅食行为；R2≥ST时，表示一些麻雀发现了捕食者并发出警告，所有麻雀迅速飞入安全区域。而对加入者而言，在觅食过程中，一旦生产者找到了好的食物源，加入者必会知晓，并飞向它的附近抢食，同时，也有加入者会时刻监视生产者，随时准备争抢食物。由此加入者的位置更新规则为

式(6)中：xp为生产者占据的最佳位置；xworst为全局最差位置；A为1×d阶矩阵，每个元素随机为1或－1；A†＝AT(AAT)－1。当i＞时，表示适应性较差的第i个加入者抢夺食物失败，为了更好地获得食物避免挨饿只能飞往其他地区进行觅食。总体而言，假设意识到危险的麻雀(即警戒者)占10％~20％。初始位置则随机产生，规则为

式(7)中：λ为步长控制函数，是一个均值为0，方差为1的正态分布随机数；fi为当前麻雀适应值；fg为全局最好适应值；fw为全局最差适应值；k为麻雀移动方向；xbest为全局最优位置；ε为最小常数，避免除数为零。当fi＞fg时，警戒者位于种群边缘，意识到危险后向中央安全区靠近；当fi＝fg时，则是处于种群中央的麻雀意识到了危险，为躲避危险，则向其他麻雀身边靠拢。

⛄ 部分代码

%_________________________________________________________________________________

%  Salp Swarm Algorithm (SSA) source codes version 1.0

%

%   Main paper:

%   S. Mirjalili, A.H. Gandomi, S.Z. Mirjalili, S. Saremi, H. Faris, S.M. Mirjalili,

%   Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems

%   Advances in Engineering Software

%   DOI: http://dx.doi.org/10.1016/j.advengsoft.2017.07.002

%____________________________________________________________________________________

function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)

if size(ub,1)==1

    ub=ones(dim,1)*ub;

    lb=ones(dim,1)*lb;

end

Convergence_curve = zeros(1,Max_iter);

%Initialize the positions of salps

SalpPositions=initialization(N,dim,ub,lb);

FoodPosition=zeros(1,dim);

FoodFitness=inf;

%calculate the fitness of initial salps

for i=1:size(SalpPositions,1)

    SalpFitness(1,i)=fobj(SalpPositions(i,:));

end

[sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);

for newindex=1:N

    Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);

end

FoodPosition=Sorted_salps(1,:);

FoodFitness=sorted_salps_fitness(1);

%Main loop

l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps

while l<Max_iter+1

    c1 = 2*exp(-(4*l/Max_iter)^2); % Eq. (3.2) in the paper

    for i=1:size(SalpPositions,1)

        SalpPositions= SalpPositions';

        if i<=N/2

            for j=1:1:dim

                c2=rand();

                c3=rand();

                %%%%%%%%%%%%% % Eq. (3.1) in the paper %%%%%%%%%%%%%%

                if c3<0.5 

                    SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));

                else

                    SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));

                end

                %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

            end

        elseif i>N/2 && i<N+1

            point1=SalpPositions(:,i-1);

            point2=SalpPositions(:,i);

            SalpPositions(:,i)=(point2+point1)/2; % % Eq. (3.4) in the paper

        end

        SalpPositions= SalpPositions';

    end

    for i=1:size(SalpPositions,1)

        Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;

        SalpFitness(1,i)=fobj(SalpPositions(i,:));

        if SalpFitness(1,i)<FoodFitness

            FoodPosition=SalpPositions(i,:);

            FoodFitness=SalpFitness(1,i); 

        end

    end

    Convergence_curve(l)=FoodFitness;

    l = l + 1;

end

⛄ 运行结果

⛄ 参考文献

[1]黄敬宇. 融合t分布和Tent混沌映射的麻雀搜索算法研究[D]. 兰州大学.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献，若有侵权联系博主删除