【优化求解】花朵授粉智能算法FPA matlab源码

花朵授粉算法( Flower Pollination Algorithm,FPA)是由英国剑桥大学学者Yang于2012年提出的,其基本思想来源于对自然界花朵自花授粉、异花授粉的模拟,是一种新的元启发式群智能随机优化技术 。算法中为了简便计算,假设每个植物仅有一朵花,每朵花只有一个配子,我们可以认为每一个配子都是解空间中的一个候选解。

Yang通过对花朵授粉的研究,抽象出以下四大规则:

1) 生物异花授粉被考虑为算法的全局探测行为,并由传粉者通过Levy飞行的机制实现全局授粉;

2)非生物自花授粉被视作算法的局部开采行为,或称局部授粉;

3)花朵的常性可以被认为是繁衍概率,他与两朵参与授粉花朵的相似性成正比例关系;

4)花朵的全局授粉与局部授粉通过转换概率 p∈[0,1]进行调节。 由于物理上的邻近性和风等因素的影响,在整个授粉活动中,转换概率 p是一个非常重要的参数。 文献[1]中对该参数的试验研究认为,取 p =0.8 更利于算法寻优。

 

直接上步骤(以多元函数寻优为例):

目标函数 : min g = f(x1,x2,x3,x4...........xd)

设置参量:N(候选解的个数),iter(最大迭代次数),p(转换概率),lamda(Levy飞行参数)

初始化花朵,随机设置一个NXd的矩阵;

计算适应度,即函数值;

获取最优解和最优解得位置;

A循环 1 : 1 :iter

    B循环

        if rand < p

            全局授粉;

        else

            局部授粉;

        end if

        更新新一代的花朵与适应度(函数变量和函数值);

    B循环end

    获取新一代的最优解与最优解位置;

A循环end

 

全局更新公式:xi(t+1) = xi(t) + L(xi(t) - xbest(t))    L服从Levy分布,具体可以搜索布谷鸟算法。

局部更新公式:xi(t+1) = xi(t) + m(xj(t) - xk(t))    m是服从在[0,1]上均匀分布的随机数。其中,xj和xk是两个不同的个体

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%Flower Pollination Algorithm for Multimodal Optimization (MFPA)
%Jorge G醠vez, Erik Cuevas and Omar Avalos
%%This is the line to execute the code:
%%[mem,bestSol,bestFit,optima,FunctionCalls]=FPA([50 0.25 500 2]);
%FitFunc implements the function to be optimized
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [mem,bestSol,bestFit,optima,FunctionCalls]=FPA(para)
% Default parameters
if nargin<1,
   para=[50 0.25 500];   
end

n=para(1);           % Population size
p=para(2);           % Probabibility switch
N_iter=para (3);  % Number of iterations

phase = 1; %First state
phaseIte= [0.5,0.9,1.01]; %State vector

%Deb Function
d = 1;
Lb = 0;
Ub = 1;
optima =  [.1;.3;.5;.7;.9];


% Initialize the population
for i=1:n,
  Sol(i,:)=Lb+(Ub-Lb).*rand(1,d);
  Fitness(i)=fitFunc(Sol(i,:));  %%Evaluate fitness function
end

% Initialice the memory
[mem,bestSol,bestFit,worstF] = memUpdate(Sol,Fitness, [], zeros(1,d), 100000000, 0, phase,d,Ub,Lb);

S = Sol;

FunctionCalls = 0;
% Main Loop
for ite = 1 : N_iter,
                    %For each pollen gamete, modify each position acoording
                    %to local or global pollination
                    for i = 1 : n,
                                % Switch probability
                                if rand>p,
                                            
                                            L=Levy(d);
                                            dS=L.*(Sol(i,:)-bestSol);
                                            S(i,:)=Sol(i,:)+dS;
                                            S(i,:)=simplebounds(S(i,:),Lb,Ub);
                                else
                                            epsilon=rand;
                                            % Find random flowers in the neighbourhood
                                            JK=randperm(n);
                                            % As they are random, the first two entries also random
                                            % If the flower are the same or similar species, then
                                            % they can be pollenated, otherwise, no action.
                                            % Formula: x_i^{t+1}+epsilon*(x_j^t-x_k^t)
                                            S(i,:)=S(i,:)+epsilon*(Sol(JK(1),:)-Sol(JK(2),:));
                                            % Check if the simple limits/bounds are OK
                                            S(i,:)=simplebounds(S(i,:),Lb,Ub);
                                end
                                Fitness(i)=fitFunc(S(i,:));
                    end
                    %Update the memory
                    [mem,bestSol,bestFit,worstF] = memUpdate(S,Fitness,mem,bestSol,bestFit,worstF,phase,d,Ub,Lb);
                    
                   Sol = get_best_nest(S, mem, p);
                   
                   FunctionCalls = FunctionCalls + n;
                
                   if ite/N_iter > phaseIte(phase)
                        %Next evolutionary process stage
                        phase = phase + 1;
                        [m,~]=size(mem);
                        %Depurate the memory for each stage
                        mem = cleanMemory(mem);
                        FunctionCalls = FunctionCalls + m;
                   end
end

%Plot the solutions (mem) founded by the multimodal framework
x = 0:.01:1;
y = ((sin(5.*pi.*x)).^ 6);
plot(x,y)
hold on
plot(mem(:,1),-mem(:,2),'r*');


% Application of simple constraints
function s=simplebounds(s,Lb,Ub)
  % Apply the lower bound
  ns_tmp=s;
  I=ns_tmpUb;
  ns_tmp(J)=Ub(J);
  % Update this new move 
  s=ns_tmp;


% Draw n Levy flight sample
function L=Levy(d)
% Levy exponent and coefficient
% For details, see Chapter 11 of the following book:
% Xin-She Yang, Nature-Inspired Optimization Algorithms, Elsevier, (2014).
beta=3/2;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
    u=randn(1,d)*sigma;
    v=randn(1,d);
    step=u./abs(v).^(1/beta);
L=0.01*step; 


【优化求解】花朵授粉智能算法FPA matlab源码_第1张图片

完整代码或者代写添加QQ1575304183

往期回顾>>>>>>

【优化求解】混沌粒子群matlab源码

【优化求解】土狼算法matlab源码

【优化求解】基于混沌反向学习改进灰狼算法matlab源码

【优化求解】粒子群优化灰狼算法matlab源码

【优化求解】改进灰狼算法求解重油热解模型matlab源码

【多目标优化求解】多目标灰狼优化算法MOGWOmatlab源码

【多目标优化求解】基于金鹰算法(MOGEO)的多目标优化求解matlab源码

【优化求解】蜉蝣算法matlab源码

【优化求解】平衡优化器算法matlab源码

【优化求解】麻雀算法matlab源码

【优化求解】探路者优化算法matlab源码

【优化求解】改进的萤火虫算法matlab源码

【优化求解】磷虾群算法(Krill Herd Algorithm,KHA)

【优化求解】差分进化算法(Differential Evolution)matlab源码

【优化求解】冠状病毒群体免疫优化算法(CHIO)matlab源码

【优化求解】金鹰优化求解算法(GEO)matlab源码

【优化求解】基于黄金正弦算法GoldSA智能优化算法matlab源码

【优化求解】遗传优化隶属度函数matlab源码

【优化求解】多目标智能算法优化求解matlab工具箱

 

你可能感兴趣的:(matlab,优化求解)