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
不了解飞蛾扑火算法可以先看看优化算法笔记(二十五)飞蛾扑火算法
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 |
飞蛾扑火算法的个体没有独有属性。
飞蛾扑火算法个体
文件名:.. \optimization algorithm\algorithm_moth_flame\MFO_Unit.m
% 飞蛾扑火算法个体
classdef MFO_Unit < Unit
properties
end
methods
function self = MFO_Unit()
end
end
end
飞蛾扑火算法算法主体
文件名:..\optimization algorithm\algorithm_moth_flame\MFO_Base.m
% 飞蛾扑火算法
classdef MFO_Base < Algorithm_Impl
properties
% 算法名称
name = 'MFO';
% 飞蛾数量
flame_num;
% 火焰列表,已有的unit_list为飞蛾列表
flame_list=[];
t = -1;
end
% 外部可调用的方法
methods
function self = MFO_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 ='MFO';
% 初始化每个飞蛾一个火焰
self.flame_num = size;
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 = MFO_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];
flame = MFO_Unit();
% 随机初始化位置:rand(0,1).*(max-min)+min
flame.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算适应度值
flame.value = self.cal_fitfunction(flame.position);
% 将个体加入群体数组
self.flame_list = [self.flame_list,flame];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 更新t
self.update_t(iter);
% 更新火焰数量
self.update_flame_num(iter);
% 更新飞蛾位置
self.update_moth();
% 更新火焰位置
self.update_flame();
end
% 更新全局变量t
function update_t(self,iter)
min_t = -2.0;
max_t = -1.0;
self.t = max_t - (max_t -min_t)*iter/self.iter_max;
end
% 更新全局变量,火焰数量
function update_flame_num(self,iter)
num = floor(self.size-self.size*iter/self.iter_max);
if(num<=0)
num = 1;
end
self.flame_num = num;
end
% 更新飞蛾为位置
function update_moth(self)
for i = 1:self.size
% 随机选择火焰id
fi = randperm(self.flame_num,1);
moth = self.unit_list(i);
flame = self.flame_list(fi);
r = unifrnd(self.t,1,1,self.dim);
new_pos = flame.position + abs(moth.position - flame.position).*exp(r).*cos(2*pi*r);
% 越界检查
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(i).value = new_value;
self.unit_list(i).position = new_pos;
end
end
% 更新火焰位置
function update_flame(self)
% 将火焰和飞蛾从优到劣排序
all_list = [self.flame_list,self.unit_list,];
[value,index] = sort([all_list.value],'descend');
% 取较优的部分为火焰
for i = 1:self.flame_num
self.flame_list(i).position = all_list(index(i)).position;
self.flame_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_moth_flame\MFO_Impl.m
算法实现,继承于Base,图方便也可不写,直接用MFO_Base,这里为了命名一致。
% 飞蛾扑火算法实现
classdef MFO_Impl < MFO_Base
% 外部可调用的方法
methods
function self = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@MFO_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_moth_flame\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;
% 实例化飞蛾扑火算法类
base = MFO_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)]);