麻雀改进的一些方法

1. 一种混合麻雀搜索算法

1. 基于反向对立学习的种群初始化（有用，减小初始化种群适应度很有用）
2. 利用metropolis准则对当前解与新解进行比较替换， 避免寻优迭代过程产生停滞和陷入局部最优(该准则类似于贪婪，只是用来判断是否需要代替新界，无其他作用)

2，基于 Sobol 序列和纵横交叉策略的麻雀搜索算法

1. 1. 基于 Sobol 序列初始化种群位置
   2. 采用非线性权重递减更新发现者，（原算法中缺乏对于步长的有效控制，在发现最优解后，其他个体迅速向最优解靠拢，使得算法难以有效控制全局探索和局部开发进程，从而陷入局部最优）。该方法有助于算法专注于在已探索的区域寻 找更好的解决方案，保持较高的局部开发能力，加快收敛速度。
   3. 针对警戒者纵横交叉策略（类似于遗传算法中的交叉变异，更新后比较适应度，则有保留）

3，基于混沌麻雀搜索算法的无人机航迹规划方法

     立方混沌映射初始化

     精英反向学习更新发现者（利用精英反向学习策略对麻雀种群中的发现者进行选泽，公式是随机数乘以上下边界-最优位置，这样的结果是所有新解都是利用最优解产生的，）

     利用正余弦优化算法更新加入者（追随者向最优位置的移动是跳跃式的，利用正 弦余弦算法进行追随者位置更迭，减少搜索盲点。）

警戒者的作用是加强全局寻优，对收敛速度不好，对警戒者的数量采取线性递减的形式，

算法易停滞不变，采取高斯随机游走产生新个体代替原来的个体

%_________________________________________________________________________%
% 麻雀优化算法             %
%_________________________________________________________________________%
function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)

ST = 0.6;%预警值
PD = 0.7;%发现者的比列，剩下的是加入者0.3
SD = 0.2;%意识到有危险麻雀的比重

PDNumber = pop*PD; %发现者数量
SDNumber = pop*SD;      %pop - pop*PD;%意识到有危险麻雀数量
if(max(size(ub)) == 1)
   ub = ub.*ones(1,dim);
   lb = lb.*ones(1,dim);  %lb为1*dim的矩阵
end

%种群初始化
X0=initialization(pop,dim,ub,lb);
X = X0;
%计算初始适应度值
fitness = zeros(1,pop);
for i = 1:pop
   fitness(i) =  fobj(X(i,:));
end
 [fitness, index]= sort(fitness);%排序
BestF = fitness(1);
WorstF = fitness(end);
GBestF = fitness(1);%全局最优适应度值
for i = 1:pop
    X(i,:) = X(index(i),:);%对种群按适应度进行排序
end
curve=zeros(1,Max_iter);
GBestX = X(1,:);%全局最优位置
X_new = X;                   %排好序的新种群矩阵
for i = 1: Max_iter          %开始每次迭代
      
    R2 = rand(1);
   for j = 1:PDNumber    %%发现者的位置更新
      if(R2<ST)
          X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));%收敛于0
      else
          X_new(j,:) = X(j,:) + randn()*ones(1,dim);%收敛于最优位置
      end     
   end
   for j = PDNumber+1:pop
       % if(j>(pop/2))   %加入者的位置更新25
        if(j>(pop - PDNumber)/2 + PDNumber)%50-35/2+35=？？？？？？？？和公式不一样
          X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);
       else
          %产生-1，1的随机数
          A = ones(1,dim);
          for a = 1:dim
            if(rand()>0.5)
                A(a) = -1;
            end
          end 
          AA = A'*inv(A*A');     
          X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA'.*ones(1,dim);
       end
   end
   Temp = randperm(pop);  
   SDchooseIndex = Temp(1:SDNumber);  
   for j = 1:SDNumber         %%警戒者位置更新
       if(fitness(SDchooseIndex(j))~= GBestF) 
           X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));
       elseif(fitness(SDchooseIndex(j))== GBestF)
           K = 2*rand() -1;
           X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));
       end
   end
%    %边界控制
   for j = 1:pop
      for a = 1: dim
          if(X_new(j,a)>ub)
              X_new(j,a) =ub(a);
          end
          if(X_new(j,a)<lb)
              X_new(j,a) =lb(a);
          end
     end
  end 
   %更新位置
   for j=1:pop
    fitness_new(j) = fobj(X_new(j,:));%求适应度
   end
   for j = 1:pop
    if(fitness_new(j) < GBestF)%如果某一个的适应度小于最佳适应度，最佳的那个就要改变。在这做插值
       GBestF = fitness_new(j);%如果迭代后适应度反而变大，则gbestf不变。。
       GBestX = X_new(j,:);   
    end
   end
   X = X_new;
   fitness = fitness_new;
    %排序更新
   [fitness, index]= sort(fitness);%排序
   for j = 1:pop
      X(j,:) = X(index(j),:);
   end
   curve(i) = GBestF;%如果改成fitness（1）会出现两个尖峰
end
Best_pos =GBestX;
Best_score = curve(end);
end