57改进的人工蜂群算法（自适应柯西变异的人工蜂群算法）的函数优化
改进的人工蜂群算法（自适应柯西变异的人工蜂群算法）的函数优化百度网盘链接：
链接：https://pan.baidu.com/s/1qlatOJFlC7ddyqkVe348zg
具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1
% 自适应柯西分布的人工蜂群算法函数寻优
% Improved - ABC算法
clc,clear,close all
warning off
format longG
%*************** 待优化求解函数 **************
% fun=@Ackley_Fun;
fun=@Griewank_Fun;
% fun=@Rastrigin_Fun;
% fun=@Shaffer_Fun;
%*********** 函数在(0,0)处有极小值0 ***********
% ABC 参数初始化
maxiter = 100;% 迭代次数
sizepop = 50; % 种群数量
popmin1 = -1;popmax1 = 1; % x1
popmin2 = -1;popmax2 = 1; % x2
trail(1:sizepop,1) = 0; % 未找到更优解的迭代次数
limit = sizepop; % 拖尾最大次数
wmin = 0.25;
wmax = 0.75;
%% 初始化种群
for i=1:sizepop
x1 = popmin1+(popmax1-popmin1)*rand;
x2 = popmin2+(popmax2-popmin2)*rand;
pop(i,:) = ;
fitness(i) = fun();% 适应度函数值--目标函数值--最小目标函数值
end
% 记录一组最优值
=min(fitness);
zbest=pop(bestindex,:); %全局最佳
fitnesszbest=bestfitness; %全局最佳适应度值
%% 迭代寻优
for i=1:maxiter
% 采蜜峰开始工作
for j=1:sizepop
% 自适应权重
w = wmin+(wmax-wmin)*( fitness(j)-min(fitness) ) ./ (mean(fitness)-min(fitness)+eps);
% 选择采蜜的个体
x2y = randi(2); % 两个未知数
% 选择相连的种群
neighbour = randi(sizepop);
% neighbour != j
while( neighbour==j)
neighbour = randi(sizepop);
end
% 种群更新（解）
tempx = pop(j,:);% 当前的解
tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*(rand-0.5)*w;
% x1越界限制
if tempx(1)>popmax1
tempx(1)=popmax1;
end
if tempx(1)<popmin1
tempx(1)=popmin1;
end
% x2越界限制
if tempx(2)>popmax2
tempx(2)=popmax2;
end
if tempx(2)<popmin2
tempx(2)=popmin2;
end
% 适应度更新
temp_fitness = fun( tempx );% 当前的适应度函数值--目标函数值--最小目标函数值
% 比较个体间比较
if temp_fitness<fitness(j)
fitness(j) = temp_fitness;
pop(j,:) = tempx;
end
if temp_fitness<bestfitness
bestfitness = temp_fitness;
zbest =tempx;
end
end
% 观察峰
% 计算概率
prob = 0.9*fitness./max(fitness) + 0.1;
for j=1:sizepop
if(rand<prob(j))
% 自适应权重
w = wmin+(wmax-wmin)*( fitness(j)-min(fitness) ) ./ (mean(fitness)-min(fitness)+eps);
% 选择采蜜的个体
x2y = randi(2); % 两个未知数
% 选择相连的种群
neighbour = randi(sizepop);
% neighbour != j
while( neighbour==j)
neighbour = randi(sizepop);
end
% 种群更新（解）
tempx = pop(j,:);% 当前的解
tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*(rand-0.5)*w;
% x1越界限制
if tempx(1)>popmax1
tempx(1)=popmax1;
end
if tempx(1)<popmin1
tempx(1)=popmin1;
end
% x2越界限制
if tempx(2)>popmax2
tempx(2)=popmax2;
end
if tempx(2)<popmin2
tempx(2)=popmin2;
end
% 适应度更新
temp_fitness = fun( tempx );% 当前的适应度函数值--目标函数值--最小目标函数值
% 比较个体间比较
if temp_fitness<fitness(j)
fitness(j) = temp_fitness;
pop(j,:) = tempx;
end
if temp_fitness<bestfitness
bestfitness = temp_fitness;
zbest =tempx;
else
trail(j) = trail(j)+1;
end
end
end
% 侦察峰开始工作
= max(trail);
index = index(1);
if(maxTrial(1)>limit)
x1 = popmin1+(popmax1-popmin1)* cauchypdf( rand );
x2 = popmin2+(popmax2-popmin2)* cauchypdf( rand );
pop(index,:) = ;
fitness(index) = fun();% 适应度函数值--目标函数值--最小目标函数值
end
fitness_iter(i) = bestfitness;
end
%% 结果显示
disp('最优解')
disp(zbest)
fprintf('\n')
disp(['最优解对应的适应度值：', num2str(min(fitness_iter))])
figure('color',)
plot(fitness_iter,'ro-','linewidth',2)
楼主很优秀
页:
[1]