注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1.代码实现
不了解蚁狮算法可以先看看优化算法笔记（二十二）蚁狮算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 个体 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 测试函数，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函数图像，画图用 |
蚁狮算法的个体有独有属性：随机游走，是一个dim维度的向量。
蚁狮算法个体
文件名：.. \optimization algorithm\algorithm_ant_lion\ALO_Unit.m
% 蚁狮算法个体
classdef ALO_Unit < Unit
properties
% 随机游走值,dim维向量
rand_walk
end
methods
function self = ALO_Unit()
end
end
end
蚁狮算法算法主体
文件名：..\optimization algorithm\algorithm_ant_lion\ALO_Base.m
% 蚁狮算法
classdef ALO_Base < Algorithm_Impl
properties
% 算法名称
name = 'ALO';
% 蚂蚁列表，已有的unit_list为蚁狮列表
ant_list=[];
end
% 外部可调用的方法
methods
function self = ALO_Base(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.name ='ALO';
end
end
% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
%初始化种群
for i = 1:self.size
unit = ALO_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算适应度值
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
ant = ALO_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
ant.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算适应度值
ant.value = self.cal_fitfunction(ant.position);
ant.rand_walk = ones(1,self.dim);
% 将个体加入群体数组
self.ant_list = [self.ant_list,ant];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 计算本次迭代陷阱大小
ratio = self.get_ratio(iter);
% 更新蚂蚁位置
self.update_ant_position(iter,ratio);
% 更新蚁狮位置
self.update_ant_lion_position();
end
% 蚂蚁随机游走
function rand_walk(self,iter)
for s = 1:self.size
% 计算一组随机游走值{-1,1}
rand_mat = round(unifrnd(0,1,iter,self.dim))*2 - 1;
% 对矩阵的每一列求和
rand_d = sum(rand_mat,1);
self.ant_list(s).rand_walk = rand_d;
end
end
% 获取陷阱范围
function ratio = get_ratio(self,iter)
ratio = 1;
if(iter>self.iter_max*0.1)
ratio = 1+100*iter/self.iter_max;
end
if(iter>self.iter_max*0.5)
ratio = 1+1000*(iter/self.iter_max);
end
if(iter>self.iter_max*0.75)
ratio = 1+10000*iter/self.iter_max;
end
if(iter>self.iter_max*0.9)
ratio = 1+100000*iter/self.iter_max;
end
if(iter>self.iter_max*0.95)
ratio = 1+1000000*iter/self.iter_max;
end
end
% 蚂蚁选择蚁狮
function id = choose_ant_lion(self)
% 构建一个轮盘赌选择
roulette_value = ones(1,self.size);
% 获取最差蚂蚁的值
% 求最大值则降序排列
[value,index] = sort([self.ant_list.value],'descend');
worst_ant_value = value(end);
% 计算各蚂蚁轮盘赌值，最差蚂蚁轮盘赌值为0，必不选中
for i = 1:self.size
roulette_value(i) = self.ant_list(i).value-worst_ant_value;
end
% 累计求和
roulette_rate = cumsum(roulette_value);
% 随机取值
p = rand() * roulette_rate(end);
id = 1;
for index = 1 : length(roulette_rate)
if (roulette_rate(index) > p)
id = index;
break;
end
end
end
% 更新蚂蚁位置
function update_ant_position(self,iter,ratio)
% 蚂蚁随机游走
self.rand_walk(iter);
% 获取各个维度随机游走最大最小值
rand_walk_max = ones(1,self.dim)-realmax('double');
rand_walk_min = ones(1,self.dim)*realmax('double');
for d = 1:self.dim
for s = 1:self.size
if rand_walk_max(d) self.ant_list(s).rand_walk(d)
rand_walk_min(d) = self.ant_list(s).rand_walk(d);
end
end
end
% 最优蚁狮id
best_ant_lion_id = self.get_best_id();
for i = 1:self.size
% 获取当前蚂蚁选择的蚁狮
ant_lion_id = self.choose_ant_lion();
ant_lion = self.unit_list(ant_lion_id);
% 最优蚁狮个体
ant_lion_elite = self.unit_list(best_ant_lion_id);
% 计算出选中蚁狮陷阱范围
rand_goal_min = ant_lion.position+(self.range_min_list/ratio);
rand_goal_max = ant_lion.position+(self.range_max_list/ratio);
% 计算蚂蚁向选中蚁狮前进的位置
position_goal = (self.ant_list(i).rand_walk-rand_walk_min)./(rand_walk_max-rand_walk_min).*(rand_goal_max-rand_goal_min)+rand_goal_min;
position_goal = self.get_out_bound_value(position_goal);
% 计算出最优蚁狮陷阱范围
rand_elite_min = ant_lion_elite.position+(self.range_min_list/ratio);
rand_elite_max = ant_lion_elite.position+(self.range_max_list/ratio);
% 计算蚂蚁向最优蚁狮前进的位置
position_elite = (self.ant_list(i).rand_walk-rand_walk_min+1)./(rand_walk_max-rand_walk_min+1).*(rand_elite_max-rand_elite_min)+rand_elite_min;
position_elite = self.get_out_bound_value(position_elite);
% 结果为两个位置的中点
new_pos = (position_goal+position_elite)/2;
new_value = self.cal_fitfunction(new_pos);
% 蚂蚁移动到指定位置
self.ant_list(i).position = new_pos;
self.ant_list(i).value = new_value;
end
end
% 更新蚁狮位置
function update_ant_lion_position(self)
all_list = [self.unit_list,self.ant_list];
% 选择蚁狮和蚂蚁中最优的N个做为蚁狮
[value,index] = sort([all_list.value],'descend');
for i = 1:self.size
self.unit_list(i).position = all_list(index(i)).position;
self.unit_list(i).value = all_list(index(i)).value;
end
end
% 获取当前最优个体的id
function best_id=get_best_id(self)
% 求最大值则降序排列
[value,index] = sort([self.unit_list.value],'descend');
best_id = index(1);
end
end
end
文件名：..\optimization algorithm\algorithm_ant_lion\ALO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用ALO_Base，这里为了命名一致。
% 蚁狮算法实现
classdef ALO_Impl < ALO_Base
% 外部可调用的方法
methods
function self = ALO_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@ALO_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.测试
测试F1
文件名：..\optimization algorithm\algorithm_ant_lion\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加目录
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 选择测试函数
Function_name='F1';
%[最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim).*ub;
% 取值范围下界
range_min_list = ones(1,dim).*lb;
% 实例化蚁狮算法类
base = ALO_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction = fobj;
% 运行
base.run();
disp(base.cal_fit_num);
%% 绘制图像
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
% 绘制曲线，由于算法是求最大值，适应度函数为求最小值，故乘了-1，此时去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);