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
在萤火虫优化算法中,萤火虫发出光亮的主要目的是作为一个信号系统,以吸引其他萤火虫个体。其种群更新基于以下策略:
1)萤火虫会被吸引到比他更亮的萤火虫那里。
(1)
为萤火虫的最大亮度,与目标值函数相关,目标值函数越大,其自身亮度强度越强;
为光强吸收系数,亮度会随着距离的增大和传播媒介的吸收而逐渐减弱;
为萤火虫i与萤火虫j的空间距离。
(2)
2)萤火虫的吸引力与其自身亮度成正比,对于任何两只萤火虫,其中一只会向着亮度比他更高的移动,亮度随距离的增大而减弱。萤火虫的吸引度为:
(3)
为最大吸引度;
3)若没有找到一个比给定的萤火虫亮度更亮的萤火虫,则该萤火虫随机移动。萤火虫的位置更新公式为:
(4)
分别为萤火虫i和萤火虫j所在的空间位置;
为步长因子,取值范围为[0,1];
rand为[0,1]间的随机数;
Fig1.萤火虫算法流程图
萤火虫算法完整matlab程序如下:
%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]=FA(pop,dim,ub,lb,fobj,MaxIter);
%…………………………………………绘图…………………………………………
figure(1);
plot(IterCurve,'r-','linewidth',2);
grid on;
title('萤火虫算法迭代曲线');
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
%…………………………………………萤火虫算法主体………………………………………
function [Best_Pos,Best_Score,IterCurve]=FA(pop,dim,ub,lb,fobj,MaxIter)
beta0=2;%最大吸引度β0
gamma=1;%光吸收强度系数γ
alpha=0.2;%步长因子
dmax=norm(ub-lb);%返回上下界的2范数,用于后面的距离归一化计算
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
[~,Index]=min(Fitness);%寻找适应度值最小的位置
Global_Best_Pos=x(Index,:);
Global_Best_Score=Fitness(Index);
x_new=x;%用于记录新位置
for t=1:MaxIter
for i=1:pop
for j=1:dim
if Fitness(j)<Fitness(i)
r_ij=norm(x(i,:)-x(j,:))./dmax;%计算2范数,即距离
beta=beta0*exp(-gamma*r_ij^2);
Pos_new=x(i,:)+beta*(x(j,:)-x(i,:))+alpha.*rand(1,dim);
Pos_new=BoundrayCheck(Pos_new,ub,lb,dim);
Fitness_new=fobj(Pos_new);
if Fitness_new<Fitness(i)
x_new(i,:)=Pos_new;
Fitness(i)=Fitness_new;
if Fitness_new<Global_Best_Score
Global_Best_Score=Fitness_new;
Global_Best_Pos=Pos_new;
end
end
end
end%结束j循环
end%结束i循环
x_double=[x;x_new];%将更新后的x_new和历史的x合并组成2*pop只萤火虫
for i=1:2*pop
Fitness_double(i)=fobj(x_double(i,:));
end
[~,SortIndex]=sort(Fitness_double);%适应度重新排序
for k=1:pop %选取适应度靠前的pop只萤火虫,作为下次循环的种群
x(k,:)=x_double(SortIndex(k),:);
end%结束k循环
IterCurve(t)=Global_Best_Score;
end%结束t循环
Best_Pos=Global_Best_Pos;
Best_Score=Global_Best_Score;
end
Fig2.萤火虫算法迭代过程
相关阅读:
1、粒子群(PSO)优化算法(附完整Matlab代码,可直接复制)
2、灰狼(GWO)优化算法(附完整Matlab代码,可直接复制)