蝙蝠算法初探

蝙蝠算法初探

function [best,fmin,N_iter]=bat_algorithm()  
n=20;  % Population size, typically 10 to 40  蝙蝠个体数
N_gen=1000;  % Number of generations  迭代次数
% This frequency range determines the scalings. You should change these values if necessary
Qmin=0;         % Frequency minimum
Qmax=2;         % Frequency maximum

% Iteration parameters  迭代参数
N_iter=0;       % Total number of function evaluations  功能评价总数 
% Dimension of the search variables    搜索维数
d=10;           % Number of dimensions 

A=1+rand(n,1);    % Loudness  (constant or decreasing)响度，按照p8要求产生[1,2]的随机数
r=rand(n,1);      % Pulse rate (constant or decreasing)脉冲率,设置为[0,1]的随机数
al = 0.85;        
rr = 0.9;
r0 = r;

% Lower limit/bounds/ a vector
Lb=-2*ones(1,d);
% Upper limit/bounds/ a vector
Ub=2*ones(1,d);
% Initializing arrays  初始化数组
Q=zeros(n,1);   % Frequency 频率
v=zeros(n,d);   % Velocities 速度

% Initialize the population/solutions
for i=1:n
  Sol(i,:)=Lb+(Ub-Lb).*rand(1,d);  %rand(m*n)会生成  m*n的矩阵，矩阵元素是[0,10]随机数
  Fitness(i)=Fun(Sol(i,:));
end
% Find the initial best solution
[fmin,I]=min(Fitness);   %I 记录取得fmin的Fitness的位置，而这位置正是Sol中解的位置；fmin是Fitness中最小的值
best=Sol(I,:);           %记录最好的解

% Start the iterations -- Bat Algorithm (essential part)  %
for t=1:N_gen 
% Loop over all bats/solutions
        for i=1:n 
          Q(i)=Qmin+(Qmin-Qmax)*rand;
          v(i,:)=v(i,:)+(Sol(i,:)-best)*Q(i);
          S(i,:)=Sol(i,:)+v(i,:);
          % Apply simple bounds/limits
          Sol(i,:)=simplebounds(Sol(i,:),Lb,Ub);  %越界检查
          % Pulse rate
          if rand>r(i,1)
          % The factor 0.001 limits the step sizes of random walks 
              S(i,:)=best+0.001*randn(1,d);%这里的新的蝙蝠个体是由当前全局最好的个体产生的
              %论文中是以“上一代的蝙蝠体”+“响度的随机的倍数”，这里不再实现  
          end

     % Evaluate new solutions
           Fnew=Fun(S(i,:));
     % Update if the solution improves, or not too loud
           if ((Fnew<=Fitness(i)) && (rand 
   

　　

参考文献：蝙蝠算法的改进与应用   何子旷  广东工业大学硕士学位论文  2016.5

 

转载于:https://www.cnblogs.com/liugl7/p/7788510.html