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
不了解蜉蝣算法可以先看看优化算法笔记（二十七）蜉蝣算法
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 |
蜉蝣算法的个体有三个独有属性：速度，历史最有位置，历史最有值，类似与粒子群算法。
蜉蝣算法个体
文件名：.. \optimization algorithm\algorithm_mayfly\MA_Unit.m
% 蜉蝣算法个体
classdef MA_Unit < Unit
properties
% 速度
velocity;
% 历史最优
pos_best;
% 历史最优值
value_best;
end
methods
function self = MA_Unit()
end
end
end
蜉蝣算法算法主体
文件名：..\optimization algorithm\algorithm_mayfly\MA_Base.m
% 蜉蝣算法
classdef MA_Base < Algorithm_Impl
properties
% 算法名称
name = 'MA';
a1 = 1.0;
a2 = 1.5;
beta = 2.0;
fl = 0.1;
dis = 0.1;
best_id;
male_id_list=[];
female_id_list=[];
new_unit_list = [];
end
% 外部可调用的方法
methods
function self = MA_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 ='MA';
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 = MA_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);
% 初始速度为0
unit.velocity = zeros(1,self.dim);
% 初始最优位置为当前位置
unit.pos_best = unit.position;
unit.value_best = unit.value;
% 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)
% 更新最优蜉蝣的id
self.best_id = self.get_best_id();
% 划分种群未雄性和雌性
self.spilt_group();
% 更新雄性个体
self.update_male();
% 更新雌性个体
self.update_female();
% 交配
self.mate();
% 选择蜉蝣保留至下一代
self.select_mayfly();
end
% 划分种群为雌性和雄性
function spilt_group(self)
% 求最大值，从大到小排列
[value,index] = sort([self.unit_list.value],'descend');
% 随机划分种群
list = randperm(self.size);
% 将list中取出的id从小到大排列
sort_list_1 = sort(list(1:self.size/2));
sort_list_2 = sort(list(self.size/2+1:self.size));
% 根据排好的id取值，以保证两个列表中，更优的个体排名更靠前
self.male_id_list = index(sort_list_1);
self.female_id_list = index(sort_list_2);
end
% 更新雄性蜉蝣
function update_male(self)
for i = 1:length(self.male_id_list)
male_id = self.male_id_list(i);
if male_id == self.best_id
% 更新最优个体的速度
new_velocity = self.unit_list(male_id).velocity+self.dis*unifrnd(-1,1,1,self.dim);
self.unit_list(male_id).velocity = new_velocity;
else
% 更新其他个体的速度
% 计算与全局最优的距离
dis_g = sqrt(sum((self.unit_list(male_id).position-self.position_best).^2));
% 计算与历史最优的距离
dis_p = sqrt(sum((self.unit_list(male_id).position-self.unit_list(male_id).pos_best).^2));
new_velocity = self.unit_list(male_id).velocity+self.a1*exp(-self.beta*dis_p^2)*(self.unit_list(male_id).pos_best-self.unit_list(male_id).position)+self.a2*exp(-self.beta*dis_g^2)*(self.position_best-self.unit_list(male_id).position);
self.unit_list(male_id).velocity = new_velocity;
end
new_pos = self.unit_list(male_id).position + self.unit_list(male_id).velocity;
% 越界检查
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(male_id).position = new_pos;
self.unit_list(male_id).value = new_value;
if(new_value >self.unit_list(male_id).value_best)
% 优于历史最优则更新历史最优
self.unit_list(male_id).pos_best = new_pos;
self.unit_list(male_id).value_best = new_value;
end
end
end
% 更新雌性蜉蝣
function update_female(self)
for i = 1:length(self.female_id_list)
male_id = self.male_id_list(i);
female_id = self.female_id_list(i);
if self.unit_list(male_id).value>self.unit_list(female_id).value
% 如果对映的雄性个体优于雌性个体
dist_mf = sqrt(sum((self.unit_list(male_id).position-self.unit_list(female_id).position).^2));
new_velocity = self.unit_list(female_id).velocity+self.a2*exp(-self.beta*dist_mf^2)*(self.unit_list(male_id).position-self.unit_list(female_id).position);
self.unit_list(female_id).velocity = new_velocity;
else
new_velocity = self.unit_list(female_id).velocity+self.fl*unifrnd(-1,1,1,self.dim);
self.unit_list(female_id).velocity = new_velocity;
end
new_pos = self.unit_list(female_id).position + self.unit_list(female_id).velocity;
% 越界检查
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(female_id).position = new_pos;
self.unit_list(female_id).value = new_value;
if(new_value >self.unit_list(female_id).value_best)
% 优于历史最优则更新历史最优
self.unit_list(female_id).pos_best = new_pos;
self.unit_list(female_id).value_best = new_value;
end
end
end
% 交配
function mate(self)
self.new_unit_list = [];
for i = 1:self.size/2
male_id = self.male_id_list(i);
female_id = self.female_id_list(i);
r1 = unifrnd(0,1,1,self.dim);
% 交配产生雄性个体
new_male_pos = r1.*self.unit_list(male_id).position+(1-r1).*self.unit_list(female_id).position;
new_male_value = self.cal_fitfunction(new_male_pos);
unit_male = MA_Unit();
unit_male.position = new_male_pos;
unit_male.value = new_male_value;
self.new_unit_list = [self.new_unit_list,unit_male];
% 交配产生雌性个体
r2 = unifrnd(0,1,1,self.dim);
new_female_pos = (1-r2).*self.unit_list(male_id).position+r2.*self.unit_list(female_id).position;
new_female_value = self.cal_fitfunction(new_female_pos);
unit_female = MA_Unit();
unit_female.position = new_female_pos;
unit_female.value = new_female_value;
self.new_unit_list = [self.new_unit_list,unit_female];
end
end
% 选择蜉蝣
function select_mayfly(self)
% 从所有个体中选出size个保留到下一代
all_list = [self.unit_list,self.new_unit_list];
% 求最大值则降序排列
[value,index] = sort([all_list.value],'descend');
for i = 1:self.size
self.unit_list(i).position = all_list(index(i)).position;
self.unit_list(i).value = all_list(index(i)).value;
if (self.unit_list(i).value > self.unit_list(i).value_best)
% 如果当前值优于历史最优则更新
self.unit_list(i).pos_best = self.unit_list(i).position;
self.unit_list(i).value_best = self.unit_list(i).value;
end
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_mayfly\MA_Impl.m
算法实现，继承于Base,图方便也可不写，直接用MA_Base，这里为了命名一致。
% 蜉蝣算法实现
classdef MA_Impl < MA_Base
% 外部可调用的方法
methods
function self = MA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@MA_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_mayfly\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;
% 实例化蜉蝣算法类
base = MA_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)]);