优化算法matlab实现(二十一)麻雀算法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

不了解麻雀算法可以先看看优化算法笔记(二十一)麻雀搜索算法
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

麻雀算法的个体没有独有属性。
麻雀算法个体
文件名:.. \optimization algorithm\algorithm_sparrow_search\SSA_Unit.m

% 麻雀搜索算法个体
classdef SSA_Unit < Unit
    
    properties
    end
    
    methods
        function self = SSA_Unit()
        end
    end
end

麻雀算法算法主体
文件名:..\optimization algorithm\algorithm_sparrow_search\SSA_Base.m

% 麻雀搜索算法
classdef SSA_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'SSA';

        ST = 0.8;
        % 发现者比例
        PROD_rate = 1.0;
        % 侦察者比例
        SD_rate = 0.2;
        % 当前群体中最差位置
        position_worst;
        % 当前群体中最差适应度
        value_worst;
    end
    
    % 外部可调用的方法
    methods
        function self = SSA_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 ='SSA';
        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 = SSA_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)
            
            % 从优到劣排序
            [value,index] = sort([self.unit_list.value],'descend');
            self.position_worst = self.unit_list(index(end)).position;
            self.value_worst = self.unit_list(index(end)).value;
            
            for i = 1:self.size
                if(i self.unit_list(id).value)
                self.unit_list(id).value = new_value;
                self.unit_list(id).position = new_pos;
            end
        end
        
        % 更新跟随者
        function update_scrounger(self,i,index_list)
            id = index_list(i);
            if i > self.size/2
                new_pos = normrnd(0,1,1 ,self.dim).*exp((self.position_worst-self.unit_list(id).position)/(i^2));
                new_pos = self.get_out_bound_value(new_pos);
            else
                % 随机选择一个发现者
                p_i = randperm(floor(self.size*self.SD_rate));
                p_id = index_list(p_i(1));
                rnd = unidrnd(2,1,self.dim)*2-3;
                sum_rnd = sum(rnd);
                new_pos = self.unit_list(p_id).position+(self.unit_list(id).position-self.unit_list(p_id).position)*sum_rnd/self.dim;
            end
             % 保留更优的位置
            new_value = self.cal_fitfunction(new_pos);
            if(new_value > self.unit_list(id).value)
                self.unit_list(id).value = new_value;
                self.unit_list(id).position = new_pos;
            end
        end
        
        % 更新侦察者
        function update_perceive_danger(self,id)
            if self.unit_list(id).value < self.value_best
                new_pos = self.position_best+normrnd(0,1,1 ,self.dim).*self.unit_list(id).position;
                new_pos = self.get_out_bound_value(new_pos);
            else
                new_pos = self.unit_list(id).position + unifrnd(-1,1,1,self.dim).*(self.unit_list(id).position-self.position_worst)/(self.unit_list(id).value-self.value_worst+realmin('double'));
                new_pos = self.get_out_bound_value(new_pos);
            end

            % 保留更优的位置
            new_value = self.cal_fitfunction(new_pos);
            if(new_value > self.unit_list(id).value)
                self.unit_list(id).value = new_value;
                self.unit_list(id).position = new_pos;
            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_sparrow_search\SSA_Impl.m
算法实现,继承于Base,图方便也可不写,直接用SSA_Base,这里为了命名一致。

% 麻雀算法实现
classdef SSA_Impl < SSA_Base
    % 外部可调用的方法
    methods
        function self = SSA_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@SSA_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_sparrow_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 = 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;

% 实例化麻雀搜索算法类
base = SSA_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)]);

你可能感兴趣的:(优化算法matlab实现(二十一)麻雀算法matlab实现)