尊重他人劳动成果,请勿转载!
有问题可留言或私信,看到了都会回复解答!
其他算法请参考:
4、萤火虫(FA)优化算法(附完整Matlab代码,可直接复制)https://blog.csdn.net/xinzhi1992/article/details/126761617?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126761617%22%2C%22source%22%3A%22xinzhi1992%22%7D5、果蝇(FOA)优化算法(附完整Matlab代码,可直接复制)https://blog.csdn.net/xinzhi1992/article/details/127649424
正余弦算法是一种随机优化算法,原理简单,易于实现。其寻优过程可分为两个阶段:
1、全局探索阶段:快速搜索空间中的可行区域。
2、局部开发阶段:即局部寻优。
其种群更新公式为:
为当前个体第i维第t代位置;
为当前全局最优解;
表示下一个解的位置区域在当前解和最优解之内或者之外,较小的利于算法的局部开发、较大的能提高算法的全局搜索能力;
为区间[0,2*pi]内的随机数;
为[0,2]之间的随机数;
为[0,1]之间的随机数,保证位置更新在正弦和余弦函数之间的平等切换;
a恒等于2;
T为最大迭代次数;
t为当前迭代次数;
Fig1.正余弦算法的全局搜索和局部搜索切换
使用正余弦算法的寻优能力较差,很可能多次运行最优适应度值没有变化,多运行几次试试。
正余弦算法的完整matlab代码如下:
%pop——种群数量
%dim——问题维度
%ub——变量上界,[1,dim]矩阵
%lb——变量下界,[1,dim]矩阵
%fobj——适应度函数(指针)
%MaxIter——最大迭代次数
%Best_Pos——x的最佳值
%Best_Score——最优适应度值
clc;
clear all;
close all;
pop=50;
dim=2;
ub=[10,10];
lb=[-10,-10];
MaxIter=100;
fobj=@(x)fitness(x);%设置适应度函数
[Best_Pos,Best_Score,IterCurve]=SCA(pop,dim,ub,lb,fobj,MaxIter);
%…………………………………………绘图…………………………………………
figure(1);
plot(IterCurve,'r-','linewidth',2);
grid on;
title('正余弦算法迭代曲线');
xlabel('迭代次数');
ylabel('适应度值');
%…………………………………… 结果显示……………………………………
disp(['求解得到的x1,x2是:',num2str(Best_Pos(1)),' ',num2str(Best_Pos(2))]);
disp(['最优解对应的函数:',num2str(Best_Score)]);
%种群初始化函数
function x=initialization(pop,ub,lb,dim)
for i=1:pop
for j=1:dim
x(i,j)=(ub(j)-lb(j))*rand()+lb(j);
end
end
end
%种群越界调整函数
function x=BoundrayCheck(x,ub,lb,dim)
for i=1:size(x,1)
for j=1:dim
if x(i,j)>ub(j)
x(i,j)=ub(j);
end
if x(i,j)<lb(j)
x(i,j)=lb(j);
end
end
end
end
%适应度函数,可根据自身需要调整
function [Fitness]=fitness(x)
Fitness=sum(x.^2);
end
%…………………………………………正余弦算法主体………………………………………
function [Best_Pos,Best_Score,IterCurve]=SCA(pop,dim,ub,lb,fobj,MaxIter)
a=2;
x=initialization(pop,ub,lb,dim);%种群初始化
Fitness=zeros(1,pop);%适应度值初始化
for i=1:pop
Fitness(i)=fobj(x(i,:));%计算适应度值
end
[SortFitness,Index]=sort(Fitness);
Global_Best_Pos=x(Index(1),:);
Global_Best_Score=SortFitness(1);
for t=1:MaxIter
r1=a-t*(a/MaxIter);%计算r1
for i=1:pop
for j=1:dim
r2=rand()*(2*pi);
r3=2*rand();
r4=rand();
if(r4<0.5)
x(i,j)=x(i,j)+(r1*sin(r2)*abs(r3*Global_Best_Pos(j)-x(i,j)));%采用正弦更新位置
else
x(i,j)=x(i,j)+(r1*cos(r2)*abs(r3*Global_Best_Pos(j)-x(i,j)));%采用余弦更新位置
end%结束if
end%结束j循环
x(i,:)=BoundrayCheck(x(i,:),ub,lb,dim);
end%结束i循环
for i=1:pop
Fitness(i)=fobj(x(i,:));
if Fitness(i)<Global_Best_Pos
Global_Best_Score=Fitness(i);
Global_Best_Pos=x(i,:);
end%结束if
end%结束i循环
IterCurve(t)=Global_Best_Score;
end%结束t循环
Best_Pos=Global_Best_Pos;
Best_Score=Global_Best_Score;
end
运行结果: