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
不了解人工蜂群算法可以先看看优化算法笔记（八）人工蜂群算法
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。
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 |
人工蜂群算法的每个个体有几个独有属性：蜜源开采次数、蜜蜂类型。
人工蜂群算法个体
文件名：.. \optimization algorithm\algorithm_artificial_bee_colony\ABC_Unit.m
% 人工蜂群算法个体
classdef ABC_Unit < Unit
properties
% 蜜蜂类型 1.雇佣蜂，2.非雇佣蜂，3.侦查蜂
type
% 蜜源最大开采次数
times
end
methods
function self = ABC_Unit()
end
end
end
人工蜂群算法主体
文件名：..\optimization algorithm\ algorithm_artificial_bee_colony\ABC_Base.m
% 人工蜂群算法
classdef ABC_Base < Algorithm_Impl
properties
%算法名称
name = 'ABC';
% 蜜源最大开采次数
time_max = 60;
% 雇佣蜂占群体中的概率
employed_rate = 0.2;
% 雇佣蜂类型
EMPLOYED = 1;
% 非雇佣蜂类型
UNEMPLOYED = 2;
% 侦查蜂类型
SCOUT = 3;
end
% 外部可调用的方法
methods
function self = ABC_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 ='ABC';
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 = ABC_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);
% 设置初始开采次数为0
unit.times = 0;
% 设置默认身份为侦查蜂
unit.type = self.SCOUT;
% 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)
% 设置雇佣蜂
self.set_employed();
% 更新个体
for i = 1:self.size
% 根据不同类型选择不同的更新方式
switch self.unit_list(i).type
case self.EMPLOYED
% 更新雇佣蜂
self.update_employed(i);
case self.UNEMPLOYED
% 更新非雇佣蜂
% 轮盘赌选择目标
goal_id = self.roulette();
self.update_unemployed(i,goal_id);
case self.SCOUT
% 更新侦查蜂
self.update_scout(i);
otherwise
continue
end
end
% 检查开采次数
self.check_times();
update@Algorithm_Impl(self,iter)
end
% 设置雇佣蜂（当雇佣蜂数量为0时）
function set_employed(self)
% 计算种群中雇佣蜂数量
employed_num = 0;
for i = 1:self.size
if(self.unit_list(i).type == self.EMPLOYED)
employed_num = employed_num + 1;
end
end
if employed_num > 0
% 如果雇佣蜂数量不为0则直接跳出
return
end
% 求最大值则降序排列
[value,index] = sort([self.unit_list.value],'descend');
for i=1:self.size
if(i self.unit_list(id).value)
% 如果新位置更优则更新
self.unit_list(id).position = new_pos;
self.unit_list(id).value = new_value;
self.unit_list(id).times = 0;
else
% 否则开采次数+1
self.unit_list(id).times = self.unit_list(id).times +1 ;
end
end
% 更新非雇佣蜂位置
function update_unemployed(self,id,goal_id)
% 随机选择一个雇佣蜂作为目标
rand_id_list = randperm(self.size);
rand_id = rand_id_list(1);
if(rand_id == goal_id)
rand_id = rand_id_list(2);
end
new_pos = self.unit_list(goal_id).position+unifrnd(-1,1,1,self.dim).*(self.unit_list(goal_id).position-self.unit_list(rand_id).position);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if(new_value> self.unit_list(goal_id).value)
% 如果新蜜源更优则更新蜜源
self.unit_list(id).value = new_value;
self.unit_list(id).position = new_pos;
self.unit_list(id).type = self.EMPLOYED;
self.unit_list(id).times = 0;
% 原雇佣蜂变为非雇佣蜂
self.unit_list(goal_id).type = self.UNEMPLOYED;
self.unit_list(goal_id).times = 0;
elseif(new_value > self.unit_list(id).value)
% 如果新蜜源差于老蜜源，但由于非雇佣蜂位置
self.unit_list(id).value = new_value;
self.unit_list(id).position = new_pos;
self.unit_list(goal_id).times = self.unit_list(goal_id).times + 1;
else
% 否则，蜜源开采次数+1
self.unit_list(goal_id).times = self.unit_list(goal_id).times + 1;
end
end
% 更新侦查蜂
function update_scout(self,id)
new_pos = unifrnd(self.range_min_list,self.range_max_list);
new_pos = self.get_out_bound_value(new_pos);
self.unit_list(id).position = new_pos;
self.unit_list(id).value = self.cal_fitfunction(new_pos);
self.unit_list(id).times = 0;
% 计算种群中雇佣蜂数量
employed_num = 0;
for i = 1:self.size
if(self.unit_list(i).type == self.EMPLOYED)
employed_num = employed_num + 1;
end
end
if (employed_num < self.size*self.employed_rate)
self.unit_list(id).type = self.EMPLOYED;
else
self.unit_list(id).type = self.UNEMPLOYED;
end
end
% 检查蜜源开采次数，是否需要放弃，成为侦查蜂
function check_times(self)
for i = 1:self.size
if (self.unit_list(i).type == self.EMPLOYED)
if(self.unit_list(i).times > self.time_max)
% 将开采次数设为0
self.unit_list(i).times = 0;
% 转化为侦查蜂
self.unit_list(i).type = self.SCOUT;
end
end
end
end
% 轮盘赌选择蜜源
function goal_id = roulette(self)
% 获取轮盘赌值
roulette_rate = self.get_roulette_rate();
% 群体轮盘赌值之和
roulette_sum = sum(roulette_rate);
goal_id = 1;
for i = 1:self.size
if(self.unit_list(i).type ~= self.EMPLOYED)
% 如果不是雇佣蜂则跳过
continue
end
% 当前轮盘赌值
roulette_temp = roulette_rate(1);
rand = unifrnd(0, roulette_sum);
% 随机数落在了哪个id的轮盘区间
for j = 1:self.size
if (j == self.size)
goal_id = self.size;
return
elseif(rand < roulette_temp)
goal_id = j;
return
end
roulette_temp = roulette_temp + roulette_rate(j);
end
end
end
% 计算轮盘赌概率
function rate_list = get_roulette_rate(self)
rate_list = zeros(1,self.size);
roulette_value_min = realmax('double');
% 计算出最小的适应度值
for i = 1:self.size
if(self.unit_list(i).type ~= self.EMPLOYED)
% 如果不是雇佣蜂则跳过
continue
end
rate_list(i) = self.unit_list(i).value;
if (rate_list(i) < roulette_value_min)
roulette_value_min = rate_list(i);
end
end
% 计算出每个个体的轮盘赌数值
for i = 1:self.size
if(self.unit_list(i).type ~= self.EMPLOYED)
% 如果不是雇佣蜂则跳过
continue
end
rate_list(i) = rate_list(i) - roulette_value_min;
end
end
end
end
文件名：..\optimization algorithm\algorithm_artificial_bee_colony\ABC_Impl.m
算法实现，继承于Base,图方便也可不写，直接用ABC_Base，这里为了命名一致。
%ABC实现
classdef ABC_Impl < ABC_Base
% 外部可调用的方法
methods
function self = ABC_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@ABC_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_artificial_bee_colony\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;
% 实例化人工蜂群算法类
base = ABC_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)]);