优化算法matlab实现（三十四）鸽群算法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

不了解鸽群算法可以先看看优化算法笔记（三十四）鸽群算法
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

鸽群算法的个体有一个独有属性：速度。
鸽群算法个体
文件名：.. \optimization algorithm\algorithm_pigeon\PIO_Unit.m

% 鸽群算法个体
classdef PIO_Unit < Unit
    
    properties
        % 速度
        velocity;
    end
    
    methods
        function self = PIO_Unit()
        end
    end
 
end

鸽群算法算法主体
文件名：..\optimization algorithm\algorithm_pigeon\PIO_Base.m

% 鸽群算法
classdef PIO_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'PIO';
        
        NcRate = 0.75;
        
        R = 0.2;
      
    end
    
    % 外部可调用的方法
    methods
        function self = PIO_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 ='PIO';
        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 = PIO_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);
                unit.velocity = 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)
            if iter< self.iter_max*self.NcRate
                self.phase1(iter);
            else
                self.phase2();
            end
            
        end
        
        % 阶段1 地图罗盘操作
        function phase1(self,iter)
            
            for i = 1:self.size
                % 计算新速度
                new_velocity = self.unit_list(i).velocity*exp(-self.R*iter) + unifrnd(0,1,1,self.dim).*(self.position_best-self.unit_list(i).position);
                % 计算新位置
                new_pos = self.unit_list(i).position + new_velocity;
                % 越界检查，越界后再解空间随机
                new_pos = self.get_out_bound_value_rand(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                self.unit_list(i).position = new_pos;
                self.unit_list(i).value = new_value;
            end   
        end
        
        % 阶段2 地标操作
        function phase2(self)
            % 从大到小排序，数值越大越优
            [value,index] = sort([self.unit_list.value],'descend');
                  
            XC = zeros(1,self.dim);
            value_sum = 0;
            % 计算较优的部分值之和
            for i = 1:self.size/2
                %（分子）
                XC = XC + self.unit_list(index(i)).position*self.unit_list(index(i)).value;
                % 分母
                value_sum = value_sum + self.unit_list(index(i)).value;
            end
            value_sum = value_sum * (self.size/2);
            % 计算较差部分的新位置
            for i = self.size/2:self.size
                new_pos = self.unit_list(index(i)).position + unifrnd(0,1,1,self.dim).*(XC/value_sum - self.unit_list(index(i)).position);
                new_pos = self.get_out_bound_value(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                self.unit_list(index(i)).position = new_pos;
                self.unit_list(index(i)).value = new_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_pigeon\PIO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用PIO_Base，这里为了命名一致。

% 鸽群算法实现
classdef PIO_Impl < PIO_Base
   
    % 外部可调用的方法
    methods
        function self = PIO_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@PIO_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_pigeon\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;

% 实例化鸽群算法类
base = PIO_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)]);