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
不了解非洲野狗算法可以先看看优化算法笔记（三十七）非洲野狗算法
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 |
非洲野狗算法的个体有一个独有属性：存活率。
非洲野狗算法个体
文件名：.. \optimization algorithm\algorithm_dingo\DOA_Unit.m
% 非洲野狗算法个体
classdef DOA_Unit < Unit
properties
% 存活率
survival_rate;
end
methods
function self = DOA_Unit()
end
end
end
非洲野狗算法主体
文件名：.. \optimization algorithm\algorithm_dingo\DOA_Base.m
% 非洲野狗算法
classdef DOA_Base < Algorithm_Impl
properties
% 算法名称
name = 'DOA';
P = 0.5;
Q = 0.7;
% 随机id区间
na_ini;
na_end;
end
% 外部可调用的方法
methods
function self = DOA_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 ='DOA';
self.na_ini = 2;
self.na_end = floor(self.size/2);
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 = DOA_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];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 更新存活率
self.update_survival_rate();
self.update_position();
end
% 计算存活率
function update_survival_rate(self)
[value,index] = sort([self.unit_list.value],'descend');
for i = 1:self.size
% 根据是适应度函数计算存活率
survival_rate = abs(value(1) - self.unit_list(i).value)/abs(value(1)-value(end))+realmin('double');
self.unit_list(i).survival_rate=survival_rate;
end
end
function update_position(self)
% 获取随机个体
na = randi([self.na_ini,self.na_end]);
for i = 1:self.size
beta1 = unifrnd(-2, 2);
beta2 = unifrnd(-1, 1);
if rand self.unit_list(i).value
self.unit_list(i).position = new_pos;
self.unit_list(i).value = new_value;
end
end
end
% 获取群体的平均位置
function pos_sumatory = get_sumatory(self,na,id)
% 随机排列id
A = randperm(self.size);
% 取前na+1个id
r_ids = A(1:na+1);
% 移除列表中值为id的元素
r_ids(r_ids==id)=[];
pos_sumatory = zeros(1,self.dim);
for i = 1:length(r_ids)
pos_sumatory = pos_sumatory + self.unit_list(id).position-self.unit_list(r_ids(i)).position;
end
pos_sumatory = pos_sumatory/length(r_ids);
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
function o=Levy(d)
beta=1.5;
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);
o=step;
end
文件名：..\optimization algorithm\algorithm_dingo\DOA_Impl.m
算法实现，继承于Base,图方便也可不写，直接用DOA_Base，这里为了命名一致。
% 非洲野狗算法实现
classdef DOA_Impl < DOA_Base
% 外部可调用的方法
methods
function self = DOA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@DOA_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_dingo\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
close 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;
% 实例化非洲野狗算法类
base = DOA_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)]);
figure1.png