MATLAB实现智能优化算法

MATLAB实现智能优化算法

代码实现

分别使用了遗传算法（GA）、粒子群算法（PSO）、模拟退火算法（SA）、蚁群算法（ACO），针对函数

f(x)=x+10sin(5x)+7cos(4x);

在定义域[0,10]内寻找最大值的迭代优化，源代码如下所示：

function test(para)
%%%%  para为1
%%%%%%%%%遗传算法%%%%%%%%
if para==1

    
    %%%%%参数设置
    NP=50;
    L=20;
    G=100;
    Pc=0.8;
    Pm=0.1;
    xmax=10;
    xmin=0;
    
    prex=randi([0,1],NP,L);    %二进制编码形式
    for k=1:G
        for i=1:NP
            m=0;
            for j=1:1:L
                m=m+2^(j-1)*prex(i,j);
            end
            X(i)=m*(xmax-xmin)/(2^L-1)+xmin;             %十进制编码形式
            fit(i)=func(X(i));   %计算适应度函数
        end
        maxfit=max(fit);
        minfit=min(fit);
        rr=find(maxfit==fit);
        xbest=prex(rr(1,1),:);
        Xbest=X(rr(1,1));
       % fit=(fit-minfit)/(maxfit-minfit);
        %%%%%%%%基于轮盘赌复制操作
        sumfit=sum(fit);
        fitvalue=fit./sumfit;         %归一化处理
        fitvalue=cumsum(fitvalue);
        ms=sort(rand(NP,1));
        fiti=1;
        newi=1;
        while newi<=NP
            if (ms(newi))<fitvalue(fiti)
                nf(newi,:)=prex(fiti,:);
                newi=newi+1;
            else
                fiti=fiti+1;
            end
        end
        %%%%%%%%%基于概率交叉操作%%%%%%
        for i=1:2:NP
            p=rand;
            if p<Pc
                q=randi([0,1],1,L);
                for j=1:L
                    if q(j)==1
                        temp=nf(i+1,j);
                        nf(i+1,j)=nf(i,j);
                        nf(i,j)=temp;
                    end
                end
            end
        end
        %%%%%%%基于概率变异操作%%%%%%%%%
        i=1;
        while i<=round(NP*Pm)
            h=randi([1,NP],1,1);
            for j=1:round(L*Pm)
                g=randi([1,L],1,1);
                nf(h,g)=~nf(h,g);
            end
            i=i+1;
        end
        prex=nf;
        prex(1,:)=xbest;
        trace(k)=maxfit;
    end
    Xbest
    func(Xbest)
    figure(1)
    subplot(2,2,1)
    plot(trace)
       xlabel('iter')
       ylabel('bestfit')
    title('GA算法')

    

else if para==2
        
    %%%%%%%采用粒子群优化算法%%%%%%%%%%
    N=100;
    w=0.8;
    c1=1.5;
    c2=1.5;
    vmax=10;
    vmin=-10;
    xmax=10;
    xmin=0;
    D=1;
    iter_max=100;
    
    prex=rand(N,D)*(xmax-xmin)+xmin;
    v=rand(N,D)*(vmax-vmin)+vmin;
    
    pxbest=prex;
    for i=1:N
        pbest(i,:)=func(prex(i,:));
    end
    [gbest,index]=max(pbest);
    gxbest=prex(index,:);
    iter=1;
    while iter<iter_max
        for i=1:N
            v(i,:)=w*v(i,:)+c1*rand*(pbest(i,:)-prex(i,:))+c2*rand*(gbest-prex(i,:));
            if v(i,:)>vmax
                v(i,:)=vmax;
            end
            if v(i,:)<vmin
                v(i,:)=vmin;
            end
            prex(i,:)=prex(i,:)+v(i,:);
            if prex(i,:)>xmax
                prex(i,:)=xmax;
            end
            if prex(i,:)<xmin
                prex(i,:)=xmin;
            end
            if (func(prex(i,:))>func(pxbest(i,:)))
                pxbest(i,:)=prex(i,:);
                pbest(i,:)=func(prex(i,:));
            end
            if (func(prex(i,:))>gbest)
                gxbest=prex(i,:);
                gbest=func(prex(i,:));
            end
        end
        trace(iter)=gbest;
        iter=iter+1;
    end
    gxbest
    func(gxbest)
    figure(1)
    subplot(2,2,2)
    plot(trace)
       xlabel('iter')
       ylabel('bestfit')
    title('PSO算法')

else if para==3
       %%%%%%%采用模拟退火算法%%%%%%%%%%%
       T=100;
       K=0.998;
       L=200;
       YZ=1e-10;
       xmax=10;
       xmin=0;
       S=0.01;
       D=1;
       P=0;
       prex=rand(D,1)*(xmax-xmin)+xmin;
       prebestx=prex;
       prex=rand(D,1)*(xmax-xmin)+xmin;
       bestx=prex;
      
       deta=abs(func(bestx)-func(prebestx));
       while (deta>YZ&&T>0.01)
           T=K*T;
           for i=1:L
               nextx=prex+S*((xmax-xmin)+xmin);
               for j=1:D
                   if nextx(j,1)>xmax
                       nextx(j,i)=xmax;
                   end
                   if nextx(j,1)<xmin
                       nextx(j,1)=xmin;
                   end
               end
               fit=func(nextx);
               %%%%更新最优参数和适应度
               if fit>func(bestx)
                   prebestx=bestx;
                   bestx=nextx;
               end
               %%%%%%以算法确定是否代替旧解%%%%%%%
               if (func(bestx)-func(prebestx)<0)
                   prex=nextx;
                   P=P+1;
               else
                   changer=-(func(bestx)-func(prebestx))/T;
                   p1=exp(changer);
                   if p1>rand
                       prex=nextx;
                       P=P+1;
                   end
               end
               trace(P+1)=func(bestx);
               
           end
           deta=abs(func(bestx)-func(prebestx));
       end
       bestx
       func(bestx)
       figure(1)
       subplot(2,2,3)
       plot(trace)
       xlabel('iter')
       ylabel('bestfit')
       title('SA算法')
       
    else if para==4
            
            m=50;
            iter_max=2000;
            rho=0.9;
            P0=0.2;
            S=0.1;
            xmax=10;
            xmin=0;
            iter=1;
            x=rand(m,1)*(xmax-xmin)+xmin;
            for i=1:m
                tau(i)=func(x(i));
            end
            S=0.1;
            for NC=1:iter_max
                lamda=1/iter;
                [taumax,index]=max(tau);
                %%%%%%计算状态转移矩阵%%%%%%%%%
                for i=1:m
                    P(NC,i)=(tau(index)-tau(i))/tau(index);
                end
                %%%%%%位置更新
                for i=1:m
                    if P(NC,i)<P0
                        temp1=x(i,1)+(2*rand-1)*S*lamda;
                    else
                        temp1=x(i,1)+(xmax-xmin)*(rand-0.5);
                    end
                    if temp1<xmin
                        temp1=xmin;
                    end
                    if temp1>xmax
                        temp1=xmax;
                    end
                    if func(temp1)>func(x(i,:))
                        x(i)=temp1;
                    end
                end
                for i=1:1:m
                    tau(i)=(1-rho)*tau(i)+func(x(i));
                end
                [value,index]=min(tau);
                trace(NC)=func(x(index));
            end
            [maxval,index]=min(tau);
            maxx=x(index)
            maxval=func(maxx)
            figure(1)
            subplot(2,2,4)
            plot(trace)
        end
    end
    end
end

仿真结果验证

观察仿真结果可得，x参数最优值聚集于7.85附近，最优函数值为24.85附近，验证了几种算法的有效性。