优化算法matlab实现(十一)群搜索算法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

不了解群搜索算法可以先看看优化算法笔记(十一)群搜索算法
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

群搜索算法的个体有独有属性:角度。
群搜索算法个体
文件名:..\optimization algorithm\algorithm_group_search\GSO_Unit.m

% 群搜索算法个体
classdef GSO_Unit < Unit
    
    properties
        % 个体的角度
        angle
    end
    
    methods
        function self = GSO_Unit()
        end
    end
    
end

群搜索算法主体
文件名:..\optimization algorithm\algorithm_ group_search\GSO_Base.m

% 群搜索算法
classdef GSO_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'GSO';
        % 最大步长
        l_max;
        % a
        a;
        % 角度最大值
        angle_max;
        % 转向角度最大值,为角度最大值的一半
        alpha_max;
    end
    
    % 外部可调用的方法
    methods
        function self = GSO_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 ='GSO';
            % 计算最大步长
            self.l_max = sqrt(sum((self.range_max_list-self.range_min_list).^2));
            self.a = sqrt(self.dim+1);
            self.angle_max = pi/(self.dim+1);
            self.alpha_max = self.angle_max/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 = GSO_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);
                unit.angle = ones(1,self.dim -1 )*pi/4;
                % 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)
            % 获取最优个体id
            best_id = self.get_best_id();
            for i = 1:self.size
                if(best_id ==i)
                    % 最优个体,为发现者
                    self.update_producer(i);
                else
                    r = rand();
                    if(r<0.8)
                        % 80%为跟随者
                        self.update_scroungers(i);
                    else
                        % 20%为游荡者
                        self.update_rangers(i);
                    end
                end
            end
            
        end     
        
        % 更新发现者
        function update_producer(self,id)
            % 在0度方向搜索
            % 根据角度计算方向
            direction_zero = self.get_direction(self.unit_list(id).angle);
            % 根据方向计算位置
            pos_zero = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_zero;
            % 越界检查
            pos_zero = self.get_out_bound_value(pos_zero);
            % 计算当前值
            value_zero = self.cal_fitfunction(pos_zero);
            
            % 在左侧方向搜索
            % 获取左侧角度
            angle_left = self.unit_list(id).angle - unifrnd(0,self.angle_max/2,1,self.dim-1);
            % 根据角度计算方向
            direction_left = self.get_direction(angle_left);
            % 根据方向计算位置
            pos_left = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_left;
            % 越界检查
            pos_left = self.get_out_bound_value(pos_left);
            value_left = self.cal_fitfunction(pos_left);
            
            % 在右侧方向搜索
            % 获取右侧角度
            angle_right = self.unit_list(id).angle + unifrnd(0,self.angle_max/2,1,self.dim-1);
            % 根据角度计算方向
            direction_right = self.get_direction(angle_right);
            % 根据方向计算位置
            pos_right = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_right;
            pos_right = self.get_out_bound_value(pos_right);
            % 越界检查
            value_right = self.cal_fitfunction(pos_right);
            
            % 获取新角度
            new_angle = self.unit_list(id).angle + unifrnd(0,self.alpha_max,1,self.dim-1);
            
            % 取这三个中的最优解
            if(value_zero>self.unit_list(id).value)
                self.unit_list(id).value = value_zero;
                self.unit_list(id).position = pos_zero;
                self.unit_list(id).angle = new_angle;
            end
            if(value_left>self.unit_list(id).value)
                self.unit_list(id).value = value_left;
                self.unit_list(id).position = pos_left;
                self.unit_list(id).angle = new_angle;
            end
            if(value_right>self.unit_list(id).value)
                self.unit_list(id).value = value_right;
                self.unit_list(id).position = pos_right;
                self.unit_list(id).angle = new_angle;
            end
            
        end
        
        % 更新跟随者
        function update_scroungers(self,id)
            % 计算跟随者新位置
            new_pos = self.unit_list(id).position+unifrnd(0,1,1,self.dim).*(self.position_best-self.unit_list(id).position);
            % 越界检查
            new_pos = self.get_out_bound_value(new_pos);
            % 计算适应度函数值
            new_value = self.cal_fitfunction(new_pos);
            if(new_value>self.unit_list(id).value)
                % 保存新位置
                self.unit_list(id).position = new_pos;
                % 保存新适应度值
                self.unit_list(id).value = new_value;
            end
        end
        
        % 更新游荡者
        function update_rangers(self,id)
            % 计算游荡者方向
            direction = self.get_direction(self.unit_list(id).angle);
            % 根据方向计算位置
            new_pos = self.unit_list(id).position + self.a*self.l_max*normrnd(0,1,1,self.dim).*direction;
            % 越界检查
            new_pos = self.get_out_bound_value(new_pos);
            % 计算适应度函数值
            new_value = self.cal_fitfunction(new_pos);
            % 保存新位置
            self.unit_list(id).position = new_pos;
            % 保存新适应度值
            self.unit_list(id).value = new_value;
        end
        
        % 从角度获取方向(角度比方向少一维)
        function direction = get_direction(self,angle)
            direction = ones(1,self.dim);
            for i = 1:self.dim-1
                direction(1) = direction(1)*cos(angle(i));
            end
            for i = 2:self.dim-2
                direction(i) = sin(angle(i-1));
                for j = i:self.dim-2
                    direction(i) =direction(i)*cos(angle(j));
                end
            end
            direction(self.dim) = sin(angle(self.dim-1));
        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_group_search\GSO_Impl.m
算法实现,继承于Base,图方便也可不写,直接用GSO_Base,这里为了命名一致。

% 群搜索算法实现
classdef GSO_Impl < GSO_Base
   
    % 外部可调用的方法
    methods
        function self = GSO_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@GSO_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_group_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;

%% 添加框架路径
% 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;

% 实例化群搜索算法类
base = GSO_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();

%% 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
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(十一)群搜索算法matlab实现)