【单目标优化求解】基于matlab多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】
2022/1/14 20:04:37
本文主要是介绍【单目标优化求解】基于matlab多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
一、布谷鸟算法简介(具体理论见参考文献[3])
布谷鸟算法,英文叫做Cuckoo search (CS algorithm)。首先还是同样,介绍一下这个算法的英文含义, Cuckoo是布谷鸟的意思,啥是布谷鸟呢,是一种叫做布谷的鸟,o(∩_∩)o ,这种鸟她妈很懒,自己生蛋自己不养,一般把它的宝宝扔到别的种类鸟的鸟巢去。但是呢,当孵化后,遇到聪明的鸟妈妈,一看就知道不是亲生的,直接就被鸟妈妈给杀了。于是这群布谷鸟宝宝为了保命,它们就模仿别的种类的鸟叫,让智商或者情商极低的鸟妈妈误认为是自己的亲宝宝,这样它就活下来了。
布谷鸟搜索算法(Cuckoo Search, CS)是2009年Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出的一种优化算法。布谷鸟算法是一种集合了布谷鸟巢寄生性和莱维飞行(Levy Flights)模式的群体智能搜索技术,通过随机游走的方式搜索得到一个最优的鸟巢来孵化自己的鸟蛋。这种方式可以达到一种高效的寻优模式。
1 布谷鸟的巢寄生性
2 莱维飞行
图1.模拟莱维飞行轨迹示意图
3 布谷鸟搜索算法的实现过程
二、部分源代码
%% 清除环境变量 clear clc %% 参数设置 N = 25; % 种群规模 Function_name = 'F1'; % 从F1到F23的测试函数的名称(本文中的表1、2、3) Max_iteration = 1000; % 最大迭代次数 cnt_max = 30; % 加载所选基准函数的详细信息 [lb, ub, dim, fobj] = Get_Functions_details(Function_name); Curve_MACS = zeros(1, Max_iteration); Curve_CS = zeros(1, Max_iteration); Curve_BA = zeros(1, Max_iteration); Curve_FPA = zeros(1, Max_iteration); Curve_ASCSA = zeros(1, Max_iteration); for cnt = 1:cnt_max % 初始化种群位置 X = initialization(N, dim, ub, lb); [MACS_Best_score(cnt), MACS_Best_pos(cnt, :), MACS_Curve] = MACS(X, N, Max_iteration, lb, ub, dim, fobj); [CS_Best_score(cnt), CS_Best_pos(cnt, :), CS_Curve] = CS(X, N, Max_iteration, lb, ub, dim, fobj); [BA_Best_score(cnt), BA_Best_pos(cnt, :), BA_Curve] = BA(X, N, Max_iteration, lb, ub, dim, fobj); [FPA_Best_score(cnt), FPA_Best_pos(cnt, :), FPA_Curve] = FPA(X, N, Max_iteration, lb, ub, dim, fobj); [ASCSA_Best_score(cnt), ASCSA_Best_pos(cnt, :), ASCSA_Curve] = ASCSA(X, N, Max_iteration, lb, ub, dim, fobj); Curve_MACS = Curve_MACS+MACS_Curve; Curve_CS = Curve_CS+CS_Curve; Curve_BA = Curve_BA+BA_Curve; Curve_FPA = Curve_FPA+FPA_Curve; Curve_ASCSA = Curve_ASCSA+ASCSA_Curve; end Curve_MACS = Curve_MACS/cnt_max; Curve_CS = Curve_CS/cnt_max; Curve_BA = Curve_BA/cnt_max; Curve_FPA = Curve_FPA/cnt_max; Curve_ASCSA = Curve_ASCSA/cnt_max; std_MACS = std(MACS_Best_score); std_CS = std(CS_Best_score); std_BA = std(BA_Best_score); std_FPA = std(FPA_Best_score); std_ASCSA = std(ASCSA_Best_score); best_MACS = max(MACS_Best_score); best_CS = max(CS_Best_score); best_BA = max(BA_Best_score); best_FPA = max(FPA_Best_score); best_ASCSA = max(ASCSA_Best_score); worst_MACS = min(MACS_Best_score); worst_CS = min(CS_Best_score); worst_BA = min(BA_Best_score); worst_FPA = min(FPA_Best_score); worst_ASCSA = min(ASCSA_Best_score); mean_MACS = mean(MACS_Best_score); mean_CS = mean(CS_Best_score); mean_BA = mean(BA_Best_score); mean_FPA = mean(FPA_Best_score); mean_ASCSA = mean(ASCSA_Best_score); %% 画图 % 1、画出所选基准函数的三维立体图形 figure; func_plot(Function_name); title(Function_name) xlabel('x_1'); ylabel('x_2'); zlabel([Function_name,'( x_1 , x_2 )']) img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img4.png') %即可得到对应格式和期望dpi的图像 % 2、画出目标函数值变化曲线图 figure; t = 1:Max_iteration; semilogy(t, Curve_MACS, 'rd-', t, Curve_CS, 'go-', t, Curve_BA, 'bs-', t, Curve_FPA, 'mv-', t, Curve_ASCSA, 'k^-', ... 'linewidth', 1.5, 'MarkerSize', 8, 'MarkerIndices', 1:50:Max_iteration); legend('MACS', 'CS', 'BA', 'FPA', 'ASCSA'); % title(Function_name) xlabel('Iteration'); ylabel('Fitness'); axis fill grid on box on img =gcf; %获取当前画图的句柄 print(img, '-dpng', '-r600', './img3.png') %即可得到对应格式和期望dpi的图像 %% 显示结果 disp(['函数:', num2str(Function_name)]); disp(['MACS:最大值: ', num2str(best_MACS), ',最小值:', num2str(worst_MACS), ',平均值:', num2str(mean_MACS), ',标准差:', num2str(std_MACS)]); disp(['CS:最大值: ', num2str(best_CS), ',最小值:', num2str(worst_CS), ',平均值:', num2str(mean_CS), ',标准差:', num2str(std_CS)]); disp(['BA:最大值: ', num2str(best_BA), ',最小值:', num2str(worst_BA), ',平均值:', num2str(mean_BA), ',标准差:', num2str(std_BA)]); disp(['FPA:最大值: ', num2str(best_FPA), ',最小值:', num2str(worst_FPA), ',平均值:', num2str(mean_FPA), ',标准差:', num2str(std_FPA)]); disp(['ASCSA:最大值: ', num2str(best_ASCSA), ',最小值:', num2str(worst_ASCSA), ',平均值:', num2str(mean_ASCSA), ',标准差:', num2str(std_ASCSA)]);
三、运行结果
四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017.
[3]张珍珍,贺兴时,于青林,杨新社.多阶段动态扰动和动态惯性权重的布谷鸟算法[J].计算机工程与应用
这篇关于【单目标优化求解】基于matlab多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-11-01后台管理开发学习:新手入门指南
- 2024-11-01后台管理系统开发学习:新手入门教程
- 2024-11-01后台开发学习:从入门到实践的简单教程
- 2024-11-01后台综合解决方案学习:从入门到初级实战教程
- 2024-11-01接口模块封装学习入门教程
- 2024-11-01请求动作封装学习:新手入门教程
- 2024-11-01登录鉴权入门:新手必读指南
- 2024-11-01动态面包屑入门:轻松掌握导航设计技巧
- 2024-11-01动态权限入门:新手必读指南
- 2024-11-01动态主题处理入门:新手必读指南