优化算法matlab实现（二十九）秃鹰算法算法matlab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）。
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

不了解秃鹰算法可以先看看优化算法笔记（二十九）秃鹰算法
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

秃鹰算法的个体没有独有属性。
秃鹰算法个体
文件名：.. \optimization algorithm\algorithm_bald_eagle_search\BES_Unit.m

% 秃鹰算法个体
classdef BES_Unit < Unit
    
    properties
    end
    
    methods
        function self = BES_Unit()
        end
    end
 
end

秃鹰算法算法主体
文件名：..\optimization algorithm\algorithm_bald_eagle_search\BES_Base.m

% 秃鹰算法
classdef BES_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'BES';
        c1 = 2;
        c2 = 2;
        alpha = 2;
        a = 10;
        R = 1.5;

    end
    
    % 外部可调用的方法
    methods
        function self = BES_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 ='BES';
        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 = BES_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)
            
            % 选择搜索区域
            self.select_space();
            %搜索
            self.search_in_space();
            %俯冲
            self.swoop();
            
        end
        
        % 选择搜索的区域
        function select_space(self)
            % 计算群体的平均位置
            pos_mean = self.get_mean_pos();
            
            % 遍历每一个个体
            for i = 1:self.size
                % 计算新位置
                new_pos = self.position_best + self.alpha*unifrnd(0,1,1,self.dim).*(pos_mean-self.unit_list(i).position);
                % 越界检查
                new_pos = self.get_out_bound_value(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                % 贪心一下
                if new_value > self.unit_list(i).value
                     % 更新个体
                     self.unit_list(i).value = new_value;
                     self.unit_list(i).position = new_pos;
                     if new_value > self.value_best
                         % 更新全局最优
                         self.value_best = new_value;
                         self.position_best = new_pos;
                     end
                end
            end
        end
        
        % 在区域内搜索
        function search_in_space(self)
            % 计算群体的平均位置
            pos_mean = self.get_mean_pos();
            
            % 生成随机theta和r向量，向量长度为总群个数，即一个个体一个值
            theta = self.a*pi*unifrnd(0,1,1,self.size);
            r = theta + self.R*unifrnd(0,1,1,self.size);
            xr = get_xr(theta,r);
            yr = get_yr(theta,r);
            % 获取xr,yr中的最大绝对值
            xr_max = max(abs(xr));
            yr_max = max(abs(yr));
            
            % 遍历每一个个体
            for i = 1:self.size
                % 第一下一个个体，即最后一个的下一个是第一个
                if i == self.size
                    next_pos = self.unit_list(1).position;
                else
                    next_pos = self.unit_list(i+1).position;
                end
                
                % 计算新位置
                new_pos = self.unit_list(i).position +  xr(i)/xr_max.*(self.unit_list(i).position-pos_mean)+ yr(i)/yr_max.*(self.unit_list(i).position-next_pos) ;
                % 越界检查
                new_pos = self.get_out_bound_value(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                % 贪心一下
                if new_value > self.unit_list(i).value
                     % 更新个体
                     self.unit_list(i).value = new_value;
                     self.unit_list(i).position = new_pos;
                     if new_value > self.value_best
                         % 更新全局最优
                         self.value_best = new_value;
                         self.position_best = new_pos;
                     end
                end
            end
        end
        
        %俯冲
        function swoop(self)
             % 计算群体的平均位置
            pos_mean = self.get_mean_pos();
            
            % 生成随机theta和r向量，向量长度为总群个数，即一个个体一个值
            theta = self.a*pi*unifrnd(0,1,1,self.size);
            r = theta + self.R*unifrnd(0,1,1,self.size);
            xrl = get_xrl(theta,r);
            yrl = get_yrl(theta,r);
            % 获取xrl,yrl中的最大绝对值
            xrl_max = max(abs(xrl));
            yrl_max = max(abs(yrl));
            
            % 遍历每一个个体
            for i = 1:self.size
                
                % 计算新位置
                new_pos = self.position_best.*unifrnd(0,1,1,self.dim) +  xrl(i)/xrl_max.*(self.unit_list(i).position-self.c1*pos_mean)+ yrl(i)/yrl_max.*(self.unit_list(i).position-self.c2*self.position_best) ;
                % 越界检查
                new_pos = self.get_out_bound_value(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                % 贪心一下
                if new_value > self.unit_list(i).value
                     % 更新个体
                     self.unit_list(i).value = new_value;
                     self.unit_list(i).position = new_pos;
                     if new_value > self.value_best
                         % 更新全局最优
                         self.value_best = new_value;
                         self.position_best = new_pos;
                     end
                end
            end
        end
        
        % 获取种群平均位置
        function pos_mean = get_mean_pos(self)
            pos_mean = zeros(1,self.dim);
            for i=1:self.size
                pos_mean = pos_mean + self.unit_list(i).position/self.size;
            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

function xr = get_xr(theta,r)
xr = r.*sin(theta);
end

function yr = get_yr(theta,r)
yr = r.*cos(theta);
end

function xrl = get_xrl(theta,r)
xrl = r.*sinh(theta);
end

function yrl = get_yrl(theta,r)
yrl = r.*cosh(theta);
end

文件名：..\optimization algorithm\algorithm_bald_eagle_search\BES_Impl.m
算法实现，继承于Base,图方便也可不写，直接用BES_Base，这里为了命名一致。

% 秃鹰算法实现
classdef BES_Impl < BES_Base
   
    % 外部可调用的方法
    methods
        function self = BES_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@BES_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_bald_eagle_search\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 = 300;
% 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;

% 实例化秃鹰算法类
base = BES_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)]);