19人工蜂群算法ABC函数优化--视频分享

Halcom

19人工蜂群算法ABC函数优化：百度网盘链接：
链接：http://pan.baidu.com/s/1ge8nCVT 密码：5h8n
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

ABC算法的实现步骤，具体过程如下：

Step1：随机产生CSN（蜂群规模）个初始解，将其中一半与采蜜蜂对应，并计算各个解的适应度值，将最优解记录下来；

Step2：置Cycle=1；

Step3：采蜜蜂进行邻域搜索产生新解；

Step4：计算相关的选择概率；

Step5：观察蜂根据轮盘赌选择法以概率选择食物源，并进行邻域搜索产生新解 ，计算适应度值；

Step6：判断是否有要放弃的解，如果存在，则进行随机搜索产生一个新解替换旧解；

Step7：记录迄今为止最好的解；

Step8：Cycle = Cycle +1，若Cycle<MCN，则转Step3；否则，输出最优结果。

蜜蜂执行搜索活动的过程可概括为：（1）采蜜蜂确定蜜源，对其进行开采并记忆蜜源的相关信息，与观察蜂共同分享它们所开采的蜜源的相关信息；（2）观察蜂以一定的选择策略在邻近的蜜源里选择蜜源；（3）被放弃的蜜源处的采蜜蜂转变为侦察蜂，并且开始随机搜索新的蜜源。

人工蜂群算法ABC函数优化PDF文档如下：

链接：http://pan.baidu.com/s/1qXQmiVq 密码：8tak

具体的代码如下：

1. % 人工蜂群算法
   
2. clc,clear,close all
   
3. warning off
   
4. feature jit off
   
5. tic
   
6. % 算法参数
   
7. NP=20;                                   % 蜂群大小
   
8. FoodNumber=NP/2;                 % 蜂群食物源数量，也就是产生 解 的个数
   
9. limit=100;       % 经过“limit”次采蜜蜂和观察蜂的循环搜索之后，不能够被改进，那么该位置将被放弃
   
10. maxCycle=500;                            % 最大迭代循环
    
11. 
    
12. %/* Problem specific variables*/
    
13. objfun='Sphere';                     % 待优化函数
    
14. D=100;                               % 未知数为100个
    
15. ub=ones(1,D)*100;                    % 未知量取值下边界
    
16. lb=ones(1,D)*(-100);                 % 未知量取值上边界
    
17. runtime=1;                           % 算法运行次数，一般设置1即可
    
18. 
    
19. GlobalMins=zeros(1,runtime);   % 适应度最小值初始化
    
20. 
    
21. for r=1:runtime
    
22.   
    
23. % 初始化变量值
    
24. Range = repmat((ub-lb),[FoodNumber 1]);       % 最大值
    
25. Lower = repmat(lb, [FoodNumber 1]);           % 最小值
    
26. Foods = rand(FoodNumber,D) .* Range + Lower;  % 初始化个体
    
27. 
    
28. ObjVal=feval(objfun,Foods);                                       % 目标函数值
    
29. Fitness=calculateFitness(ObjVal);                                 % 适应度值，取其导数，为最小值
    
30. 
    
31. % 设定拖尾矩阵，初始化
    
32. trial=zeros(1,FoodNumber);
    
33. 
    
34. % 找到最好的食物源
    
35. BestInd=find(ObjVal==min(ObjVal));
    
36. BestInd=BestInd(end);
    
37. GlobalMin=ObjVal(BestInd);                             % 函数值最小
    
38. GlobalParams=Foods(BestInd,:);                         % 相应的食物源个体
    
39. 
    
40. iter=1;
    
41. while ((iter <= maxCycle)),  % 迭代开始
    
42. 
    
43. % 采蜜蜂
    
44.     for i=1:(FoodNumber)
    
45.         % 参数随机可变
    
46.         Param2Change=fix(rand*D)+1;
    
47.         % 随机选择相连个体
    
48.         neighbour=fix(rand*(FoodNumber))+1;
    
49.         % 随机选择的个体不等于i
    
50.         while(neighbour==i)
    
51.             neighbour=fix(rand*(FoodNumber))+1;
    
52.         end;
    
53.         
    
54.        sol=Foods(i,:);  % 个体选择
    
55.        %  /*v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) */
    
56.        sol(Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-Foods(neighbour,Param2Change))*(rand-0.5)*2;
    
57.         
    
58.        % 个体取值范围约束
    
59.         ind=find(sol<lb);                                 % 最小值约束
    
60.         sol(ind)=lb(ind);
    
61.         ind=find(sol>ub);                         % 最大值约束
    
62.         sol(ind)=ub(ind);
    
63.         
    
64.         % 估计新的目标函数值和适应度值
    
65.         ObjValSol=feval(objfun,sol);
    
66.         FitnessSol=calculateFitness(ObjValSol);
    
67.         
    
68.        % 更新最优个体值
    
69.        if (FitnessSol>Fitness(i))                 % 如果新产生的个体值适应度值越大，则表明函数值越小，则个体最优
    
70.             Foods(i,:)=sol;
    
71.             Fitness(i)=FitnessSol;
    
72.             ObjVal(i)=ObjValSol;
    
73.             trial(i)=0;
    
74.         else
    
75.             trial(i)=trial(i)+1; % /*if the solution i can not be improved, increase its trial counter*/
    
76.        end;
    
77.     end;
    
78.    
    
79. % 观察蜂
    
80. % 计算概率
    
81. % 观察蜂根据与蜜源相关的概率值选择蜜源，概率值计算公式
    
82. % prob(i)=a*fitness(i)/max(fitness)+b*/
    
83. prob=(0.9.*Fitness./max(Fitness))+0.1;  
    
84. i=1;
    
85. t=0;
    
86. while(t<FoodNumber)
    
87.     if(rand<prob(i))
    
88.         t=t+1;
    
89.         % 继续随机选择个体
    
90.         Param2Change=fix(rand*D)+1;
    
91.         % 随机选择相连个体
    
92.         neighbour=fix(rand*(FoodNumber))+1;
    
93.         % 随机选择的个体不等于i      
    
94.         while(neighbour==i)
    
95.             neighbour=fix(rand*(FoodNumber))+1;
    
96.         end;
    
97.        sol=Foods(i,:);                                  % 个体选择
    
98.        %  /*v_{ij}=x_{ij}+\phi_{ij}*(x_{kj}-x_{ij}) */
    
99.        sol(Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-Foods(neighbour,Param2Change))*(rand-0.5)*2;
    
100.         
     
101.        % 个体取值范围约束
     
102.        ind=find(sol<lb);                                 % 最小值约束
     
103.        sol(ind)=lb(ind);
     
104.        ind=find(sol>ub);                                 % 最大值约束
     
105.        sol(ind)=ub(ind);
     
106.         
     
107.        % 估计新的目标函数值和适应度值
     
108.        ObjValSol=feval(objfun,sol);
     
109.        FitnessSol=calculateFitness(ObjValSol);
     
110.         
     
111.        % 更新最优个体值
     
112.        if (FitnessSol>Fitness(i))                 %如果新产生的个体值适应度值越大，则表明函数值越小，则个体最优
     
113.             Foods(i,:)=sol;
     
114.             Fitness(i)=FitnessSol;
     
115.             ObjVal(i)=ObjValSol;
     
116.             trial(i)=0;
     
117.         else
     
118.             trial(i)=trial(i)+1; % /*if the solution i can not be improved, increase its trial counter*/
     
119.        end;
     
120.     end;
     
121.    
     
122.     i=i+1;
     
123.     if (i==(FoodNumber)+1)
     
124.         i=1;
     
125.     end;   
     
126. end;
     
127. 
     
128.     % 记录最好的目标函数值
     
129.     ind=find(ObjVal==min(ObjVal));
     
130.     ind=ind(end);
     
131.     if (ObjVal(ind)<GlobalMin)
     
132.         GlobalMin=ObjVal(ind);                      % 最优目标函数值
     
133.         GlobalParams=Foods(ind,:);                  % 最优个体
     
134.     end;
     
135.          
     
136. % 侦察蜂
     
137. % 如果某一次循环拖尾次数大于设定limit，则重新更新个体，重新计算
     
138. ind=find(trial==max(trial));
     
139. ind=ind(end);
     
140. if (trial(ind)>limit)
     
141.     Bas(ind)=0;
     
142.     sol=(ub-lb).*rand(1,D)+lb;
     
143.     ObjValSol=feval(objfun,sol);
     
144.     FitnessSol=calculateFitness(ObjValSol);
     
145.     Foods(ind,:)=sol;
     
146.     Fitness(ind)=FitnessSol;
     
147.     ObjVal(ind)=ObjValSol;
     
148. end;
     
149. 
     
150. fprintf('iter=%d ObjVal=%g\n',iter,GlobalMin);
     
151. iter=iter+1;
     
152. 
     
153. end % End of ABC
     
154. 
     
155. GlobalMins(r)=GlobalMin;
     
156. end; % end of runs
     
157. toc
     
158. % save all
     
159. disp('最优解为：')
     
160. GlobalParams
     
161. disp('最优目标函数值为：')
     
162. GlobalMin

复制代码

简化的代码如下：

1. % 人工蜂群算法函数寻优
   
2. % ABC算法
   
3. clc,clear,close all
   
4. warning off
   
5. format longG
   
6. 
   
7. % ABC 参数初始化
   
8. maxiter = 20;  % 迭代次数
   
9. sizepop = 10;  % 种群数量
   
10. popmin1 = -1;  popmax1 = 1; % x1
    
11. popmin2 = -1;  popmax2 = 1; % x2
    
12. trail(1:sizepop,1) = 0;     % 未找到更优解的迭代次数
    
13. limit = sizepop;            % 拖尾最大次数
    
14. 
    
15. % 初始化种群
    
16. for i=1:sizepop
    
17.     x1 = popmin1+(popmax1-popmin1)*rand;
    
18.     x2 = popmin2+(popmax2-popmin2)*rand;
    
19.     pop(i,:) = [x1, x2];
    
20.     fitness(i) = fun([x1,x2]);  % 适应度函数值--目标函数值--最小目标函数值
    
21. end
    
22. 
    
23. % 记录一组最优值
    
24. [bestfitness,bestindex]=min(fitness);
    
25. zbest=pop(bestindex,:);   %全局最佳
    
26. fitnesszbest=bestfitness; %全局最佳适应度值
    
27. 
    
28. % 迭代寻优
    
29. for i=1:maxiter
    
30.    
    
31.     % 采蜜峰开始工作
    
32.     for j=1:sizepop
    
33.         % 选择采蜜的个体
    
34.         x2y = randi(2);   % 两个未知数
    
35.         % 选择相连的种群
    
36.         neighbour = randi(sizepop);  
    
37.         % neighbour != j
    
38.         while( neighbour==j  )
    
39.             neighbour = randi(sizepop);
    
40.         end
    
41.         
    
42.         % 种群更新（解）
    
43.         tempx = pop(j,:);  % 当前的解
    
44.         tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*(rand-0.5)*2;
    
45. %         tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*rand;
    
46.         
    
47.         % x1  越界限制
    
48.         if tempx(1)>popmax1
    
49.             tempx(1)=popmax1;
    
50.         end
    
51.         if tempx(1)<popmin1
    
52.             tempx(1)=popmin1;
    
53.         end
    
54.         % x2  越界限制
    
55.         if tempx(2)>popmax2
    
56.             tempx(2)=popmax2;
    
57.         end
    
58.         if tempx(2)<popmin2
    
59.             tempx(2)=popmin2;
    
60.         end
    
61.         
    
62.         % 适应度更新
    
63.         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
    
64.         % 比较  个体间比较
    
65.         if temp_fitness<fitness(j)
    
66.             fitness(j) = temp_fitness;
    
67.             pop(j,:) = tempx;
    
68.         end
    
69.         if temp_fitness<bestfitness
    
70.             bestfitness = temp_fitness;
    
71.             zbest =  tempx;
    
72.         end
    
73.     end
    
74.    
    
75.     % 观察峰
    
76.     % 计算概率
    
77.     prob = 0.9*fitness./max(fitness) + 0.1;
    
78.     for j=1:sizepop
    
79.         if(rand<prob(j))
    
80.             
    
81.             % 选择采蜜的个体
    
82.             x2y = randi(2);   % 两个未知数
    
83.             % 选择相连的种群
    
84.             neighbour = randi(sizepop);  
    
85.             % neighbour != j
    
86.             while( neighbour==j  )
    
87.                 neighbour = randi(sizepop);
    
88.             end
    
89. 
    
90.             % 种群更新（解）
    
91.             tempx = pop(j,:);  % 当前的解
    
92.             tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*(rand-0.5)*2;
    
93. %             tempx(x2y) = pop(j,x2y) + (pop(j,x2y)-pop(neighbour,x2y))*rand;
    
94. 
    
95.             % x1  越界限制
    
96.             if tempx(1)>popmax1
    
97.                 tempx(1)=popmax1;
    
98.             end
    
99.             if tempx(1)<popmin1
    
100.                 tempx(1)=popmin1;
     
101.             end
     
102.             % x2  越界限制
     
103.             if tempx(2)>popmax2
     
104.                 tempx(2)=popmax2;
     
105.             end
     
106.             if tempx(2)<popmin2
     
107.                 tempx(2)=popmin2;
     
108.             end
     
109. 
     
110.             % 适应度更新
     
111.             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
     
112.             % 比较  个体间比较
     
113.             if temp_fitness<fitness(j)
     
114.                 fitness(j) = temp_fitness;
     
115.                 pop(j,:) = tempx;
     
116.             end
     
117.             if temp_fitness<bestfitness
     
118.                 bestfitness = temp_fitness;
     
119.                 zbest =  tempx;
     
120.             else
     
121.                 trail(j) = trail(j)+1;
     
122.             end
     
123.         end
     
124.     end
     
125.    
     
126.     % 侦察峰开始工作
     
127.     [maxTrial, index] = max(trail);
     
128.     index = index(1);
     
129.     if(maxTrial(1)>limit)
     
130.         x1 = popmin1+(popmax1-popmin1)*rand;
     
131.         x2 = popmin2+(popmax2-popmin2)*rand;
     
132.         pop(index,:) = [x1, x2];
     
133.         fitness(index) = fun([x1,x2]);  % 适应度函数值--目标函数值--最小目标函数值
     
134.     end
     
135.    
     
136.     fitness_iter(i) = bestfitness;
     
137. end
     
138. 
     
139. disp('最优解')
     
140. disp(zbest)
     
141. fprintf('\n')
     
142. 
     
143. figure('color',[1,1,1])
     
144. plot(fitness_iter,'ro-','linewidth',2)
     
145. 
     
146. figure('color',[1,1,1])
     
147. loglog(fitness_iter,'ro-','linewidth',2)
     
148. axis tight

复制代码

zzzlovez

谢谢楼主,刚开始学习，多多交流

清风

呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜呜

zxshuitian

非常好，谢谢分享

huwenping

感谢分享，学习ABC算法。

18795873308

想学人工蜂群算法，谢谢分享

mzch

谢谢楼主分享

kkarumi

感谢楼主！

wal1985

非常好的代码，谢谢

lee3554592

谢谢分享,好好学习，天天巡航上