数的平方和
function result =func(x)
sumn=sum(x.^2);
result=sumn;
end
clear all;
close all;
clc;
D=10;%免疫个体维数
NP=100;%免疫个体数目
Xs=20;%取值上限
Xx=-20;%取值下限
G=500;
pm=0.7;%免疫概率
alfa=1;%激励度系数
beta=1;%激励度系数
detas=0.2;%相似值阈值
gen=0;
Ncl=10;%克隆个数
deta0=1*Xs;%邻域范围取值
%%初试种群
f=rand(D,NP)*(Xs-Xx)+Xx;%产生上限值与下限值之间的随机数
for np=1:NP
MSLL(np)=func(f(:,np));%计算每个初始值的函数值
end
for np=1:NP
for j=1:NP
nd(j)=sum(sqrt((f(:,np)-f(:,j)).^2));%基于欧式距离的亲和度计算
if nd(j)<detas%抗体间的相似度计算
nd(j)=1;
else
nd(j)=0;
end
end
ND(np)=sum(nd)/NP;%抗体间的浓度计算
end
MSLL=alfa*MSLL-beta*ND;%抗体的激励度计算,由抗体的亲和度和浓度做运算得到
%激励度按升序排列
[SortMSLL,Index]=sort(MSLL);
Sortf=f(:,Index);
%免疫循环
while gen<G
for i=1:NP/2
%选激励度前N/2个个体进行免疫操作
a=Sortf(:,i);
Na=repmat(a,1,Ncl);%B = repmat(A, m, n) %将矩阵A复制m*n块,即B由m*n块A平铺而成
deta=deta0/gen;
for j=1:Ncl%克隆个数
for ii=1:D
if rand < pm%变异率
Na(ii,j)=Na(ii,j)+(rand-0.5)*deta;
end
if (Na(ii,j)>Xs)|(Na(ii,j)>Xx)%边界处理
Na(ii,j)=rand*(Xs-Xx)+Xx;
end
end
end
Na(:,1)=Sortf(:,i);%保留克隆源个体
%克隆抑制,保留亲和度最高的个体
for j=1:Ncl%克隆个数
NaMSLL(j)=func(Na(:,j));
end
[NaSortMSLL,Index]=sort(NaMSLL);
aMSLL(i)=NaSortMSLL(1);
NaSortf=Na(:,Index);
af(:,i)=NaSortf(:,1)
end
for np=1:NP/2
for j=1:NP/2
nda(j)=sum(sqrt((af(:,np)-af(:,j)).^2));
if nda(j)<detas
nda(j)=1;
else
nda(j)=0;
end
end
aND(np)=sum(nda)/NP/2;
end
aMSLL=alfa*aMSLL-beta*aND;
%种群刷新
bf=rand(D,NP/2)*(Xs-Xx)+Xx;
for np=1:NP/2
bMSLL(np)=func(bf(:,np));
end
for np=1:NP
MSLL(np)=func(f(:,np));%计算每个初始值的函数值
end
for np=1:NP/2
for j=1:NP/2
ndc(j)=sum(sqrt((bf(:,np)-bf(:,j)).^2));%基于欧式距离的亲和度计算
if ndc(j)<detas%抗体间的相似度计算
ndc(j)=1;
else
ndc(j)=0;
end
end
bND(np)=sum(ndc)/NP;%抗体间的浓度计算
end
MSLL=alfa*bMSLL-beta*bND;%抗体的激励度计算,由抗体的亲和度和浓度做运算得到
%免疫种群与新生种群合并
f1=[af,bf];
MSLL1=[aMSLL,bMSLL];
[SortMSLL,Index]=sort(MSLL1);
Sortf=f1(:,Index);
gen=gen+1;
trace(gen)=func(Sortf(:,1));
end
Best=Sortf(:,1);
trace(end);
figure,plot(trace)
xlabel("迭代次数")
ylabel("目标函数值")
title("亲和度进化曲线")