数学建模-Matlab实现麻雀搜素算法（SSA）

麻雀搜索算法简介

麻雀搜索(Sparrow Search)算法是一种改进的遗传算法,由中国科学院自动化研究所提出。它借鉴了麻雀聚群觅食的行为,将种群划分为多个小群,小群独立进化和交流,实现了遗传算法的分布式并行,提高了算法的全局搜索能力和速度。

麻雀搜索算法的主要思想

1. 将大种群划分为多个小群,每个小群独立进化。小群可以看作是种群中的个体,它也会遗传、变异和 competed等。

2. 小群间可以相互交流优秀个体,实现信息共享。交流方式模拟了麻雀觅食时的聚合行为。

3. 种群整体仍然保持一个进化趋势,小群协同进化最终找到全局最优解。

算法具体流程

1. 将种群分成多个小群,每个小群随机初始化并独立进化。

2. 每个小群根据自身的最优解构建交流团,将自身最优个体输出给交流团。

3. 交流团选择收到的最优个体,并将其作为immigrant输入到小群中,小群继续进化。

4. 每次进化后,交流团和小群的最优解会不断更新,最终获得全局最优解。

5. 重复步骤2-4,种群总体上实现协同进化,得到最终解。

优势

麻雀搜索算法将群体个体划分为多个小群进行进化,小群间通过交流个体来实现信息共享,在提高算法全局搜索能力的同时,也加快了算法收敛速度。这是其较遗传算法有明显优势的地方。

适用问题

麻雀搜索算法已成功用于旅行商问题、车间调度问题、图像分割等实际问题中,表现出较好的性能,是一种值得关注和运用的新型人工智能算法。

Matlab代码

（仅适用于连续型优化问题，面对离散问题，最好使用GA算法或对下方代码进行取整约束） 

%%%%%%%%%SSA.m
clear all; 
close all;
clc;
 
%% 参数设置
N=30;  %麻雀个数
dim=2;  %评估函数维度
N_discoverer=0.7*N;  %发现者个数
N_Followers=0.1*N;   %追随者个数
N_Vigilant=0.2*N;   %警戒者个数
Max_iter=100;    %最大迭代次数
ST=0.6;   %安全阈值
 
 
%% 边界条件（需调整）
ub=10;%边界上限
lb=-10;%边界下限
 
%% 初始化 （需调整）
x=lb+rand(N,dim).*(ub-lb);  %初始化麻雀种群

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:N
    fitness(i)=f(x(i,:));  %计算麻雀种群的适应度值
end
[A,index]=sort(fitness);
x_best=x(index(1),:);  %记录所有麻雀走过的位置的最优位置
x_worst=x(index(end),:);  %记录所有麻雀走过的位置的最差位置
best_fitness=A(1);  %记录所有麻雀走过的位置的最优值
worst_fitness=A(end);  %记录所有麻雀走过的位置的最差值
x_best_currently=x(index(1),:);  %记录当前麻雀种群最优位置
x_worst_currently=x(index(end),:);  %记录当前麻雀种群最差位置
best_fitness_currently=A(1);   %记录当前麻雀种群最优值
worst_fitness_currently=A(end);   %记录当前麻雀种群最差值
x_discoverer=x(index(1:N_discoverer),:);   %发现者位置
x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:);  %追随者位置
x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:);   %警戒者位置
B=[-1,1];
F=best_fitness;  %记录每次迭代的麻雀走过的位置的最优值
iter=1;  %初始化迭代次数
 
 
 
%% 开始迭代更新
while iter<Max_iter
    for i=1:dim
        C(i)=B(round(rand)+1);
    end
    A=C'*inv((C*C'));
    R2=rand;
    %更新发现者位置
    for i=1:N_discoverer
        for j=1:dim
            if R2<ST
                x_discoverer(i,j)=x_discoverer(i,j)*exp(-i/rand*Max_iter);
            else
                 x_discoverer(i,j)=x_discoverer(i,j)+randn;
            end
        end
        %边界判断
        ub_flag=x_discoverer(i,:)>ub;
        lb_flag=x_discoverer(i,:)<lb;
        x_discoverer(i,:)=(x_discoverer(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
    end
    %更新追随者位置
    for i=1:N_Followers
        for j=1:dim
            if i>N/2
                x_Followers(i,j)=rand*exp((x_worst_currently(j)-x_Followers(i,j))/i^2);
            else
                x_Followers(i,j)=x_discoverer(1,j)+abs(x_Followers(i,j)-x_discoverer(1,j))*A(j);
            end
        end
        %边界判断
        ub_flag=x_Followers(i,:)>ub;
        lb_flag=x_Followers(i,:)<lb;
        x_Followers(i,:)=(x_Followers(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
    end
    %更新警戒者位置
    for i=1:N_Vigilant
        for j=1:dim
            if f(x_Vigilant(i,:))~=best_fitness_currently
                x_Vigilant(i,j)=x_best_currently(j)+randn*abs(x_Vigilant(i,j)-x_best_currently(j));
            else
                x_Vigilant(i,j)=x_Vigilant(i,j)+B(round(rand)+1)*(abs(x_Vigilant(i,j)-x_worst_currently(j)))/abs(f(x_Vigilant(i,:))-worst_fitness_currently)+1;
            end
        end
        %边界判断
        ub_flag=x_Vigilant(i,:)>ub;
        lb_flag=x_Vigilant(i,:)<lb;
        x_Vigilant(i,:)=(x_Vigilant(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
    end
    x=[x_discoverer;x_Followers;x_Vigilant];  %得到该次迭代下的所有麻雀的新位置
    for i=1:N
        fitness(i)=f(x(i,:));   %计算适应度
    end
    [E,index]=sort(fitness);
    if f(x(index(1),:))<best_fitness    %更新所有麻雀走过的位置的最优位置和最优值
        best_fitness=f(x(index(1),:));
        x_best=x(index(1),:);
    end
    if f(x(index(end),:))>worst_fitness   %更新所有麻雀走过的位置的最差位置和最差值
        worst_fitness= f(x(index(end),:));
        x_worst=x(index(end),:);
    end
    x_best_currently=x(index(1),:);   %更新当前麻雀种群的最优位置
    x_worst_currently=x(index(end),:);  %更新当前麻雀种群的最差位置
    best_fitness_currently=E(1);   %更新当前麻雀的种群的最优值
    worst_fitness_currently=E(end);  %更新当前麻雀的种群的最差值
    x_discoverer=x(index(1:N_discoverer),:);  %重新选择种群中的发现者
    x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:);  %重新选择种群中的追随者
    x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:);  %重新选择种群中的警戒者
    F=[F,best_fitness];   
    iter=iter+1;  %迭代次数加一
end
 
%% 结果 作图
display(['最优值是:',num2str(F(end)),'最优麻雀位置:',num2str(x_best)]);
figure(1);
plot(F);
xlabel('迭代次数'),ylabel('适应度值');

%%%%%%%%%%%%%%%%%%%f.m
%计算的是函数最小值
function y = f(x)

y = exp(x(1))+exp(x(2));    %函数

if x(1) + x(2)  >= 4        %约束条件
    y = y;
else
    y = y + 100000;             %罚函数
end

end