【原创】无约束连续函数优化的人工鱼群算法通用MATLAB源码

[greensim]

此源码是对人工鱼群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解，本源码由GreenSim团队原创，转载请注明，有意购买源码或代写相关程序，请与GreenSim团队联系。
function [BESTX,BESTY,ALLX,ALLY]=FSOUCP(K,N,V,Delta,L,LB,UB)
%% Fish Swarm Optimization for Unconstrained Continuous Problem
%% FSOUCP.m
%% 无约束连续函数的人工鱼群优化算法
% GreenSim团队原创作品，转载请注明
% 欢迎访问GreenSim——算法仿真团队→http://blog.sina.com.cn/greensim
%% 此函数实现人工鱼群算法，用于求解无约束连续函数最小化问题
%% 对于最大化问题，请先将其加负号转化为最小化问题
%% 输入参数列表
% K 迭代次数
% N 鱼群规模
% V 人工鱼的感知范围
% Delta 拥挤程度的判决门限，取值0～1之间
% L 觅食行为的试探次数
% LB 决策变量的下界，M×1的向量
% UB 决策变量的上界，M×1的向量
%% 输出参数列表
% BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优人工鱼的状态
% BESTY K×1矩阵，记录每一代的最优人工鱼的评价函数值
% ALLX K×1细胞结构，每一个元素是M×N矩阵，记录每一代人工鱼的位置
% ALLY K×N矩阵，记录每一代人工鱼的评价函数值
%% 测试函数设置
% 测试函数用单独的子函数编写好，在子函数FIT.m中修改要调用的测试函数名即可
% 注意：决策变量的下界LB和上界UB，要与测试函数保持一致
%% 参考设置
%[BESTX,BESTY,ALLX,ALLY]=FSOUCP(50,30,0.5,0.3,20,LB,UB)

%% 第一步：
M=length(LB);%决策变量的个数
%蚁群位置初始化
X=zeros(M,N);
for i=1:M
x=unifrnd(LB(i),UB(i),1,N);
X(i,:)=x;
end
%输出变量初始化
ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体
ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值
BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体
BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值
k=1;%迭代计数器初始化

%% 第二步：迭代过程
while k<=K
NewX=zeros(M,N);
NewY=zeros(1,N);
for n=1:N
x=X(:,n);
Xnb=AFneighbour(n,X,V);
NN=size(Xnb,2);
if NN==0
xx=AFprey(x,V,L,LB,UB);
elseif NN>=3
xx=AFswarm(x,Xnb,N,Delta,V,L,LB,UB);
else
xx=AFprey(x,V,L,LB,UB);
end
NewX(:,n)=xx;
end
for n=1:N
NewY(n)=FIT(NewX(:,n));
end
X=NewX;
Y=NewY;
ALLX{k}=X;
ALLY(k,:)=Y;
minY=min(Y);
pos=find(Y==minY);
BESTX{k}=X(:,pos(1));
BESTY(k)=minY;
disp(k);
k=k+1;
end
%% 绘图
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
TempY=BESTY(1:k);
minTempY=min(TempY);
posY=find(TempY==minTempY);
BESTY2(k)=minTempY;
BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函数值')
xlabel('迭代次数')
grid on
function Xnb=AFneighbour(s,X,V)
%% 找出人工鱼感知范围内的邻居
%% 输入参数列表
% s 当前人工鱼的编号
% X M×N矩阵，人工鱼群
% V 人工鱼的感知范围
%% 输出参数列表
% Xnb 第s个人工鱼的邻居
%%
[M,N]=size(X);
xs=X(:,s);
Xnb=zeros(M,0);
for n=1:N
if n~=s
xn=X(:,n);
dx=xn-xs;
maxdx=max(dx);
mindx=min(dx);
if (maxdx<V)&&(mindx>V)
Xnb=[Xnb,xn];
end
end
end
function xx=AFprey(x,V,L,LB,UB)
%% 人工鱼觅食行为的子函数
%% 输入参数列表
% x 觅食行为之前的状态
% V 人工鱼的感知范围
% L 觅食行为的试探次数
% LB 决策变量的下界，M×1的向量
% UB 决策变量的上界，M×1的向量
%% 输出参数列表
% xx 觅食行为之后的状态
%%
M=length(x);
xx=zeros(M,1);
counter=0;
while 1
for m=1:M
q=x(m)+unifrnd(-V,V,1,1);
if q<LB(m)
q=LB(m);
end
if q>UB(m)
q=UB(m);
end
xx(m)=q;
end
counter=counter+1;
Fx=FIT(x);
Fxx=FIT(xx);
if Fxx<Fx
return
end
if counter>=L
return
end
end

[zm1139569390]

作者: greensim

此源码是对人工鱼群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解，本源码由GreenSim团队原创，转载请注明，有意购买源码或代写相关程序，请与GreenSim团队联系。
function [BESTX,BESTY,ALLX,ALLY]=FSOUCP(K,N,V,Delta,L,LB,UB)
%% Fish Swarm Optimization for Unconstrained Continuous Problem
%% FSOUCP.m
%% 无约束连续函数的人工鱼群优化算法
% GreenSim团队原创作品，转载请注明
% 欢迎访问GreenSim——算法仿真团队→http://blog.sina.com.cn/greensim
%% 此函数实现人工鱼群算法，用于求解无约束连续函数最小化问题
%% 对于最大化问题，请先将其加负号转化为最小化问题
%% 输入参数列表
% K 迭代次数
% N 鱼群规模
% V 人工鱼的感知范围
% Delta 拥挤程度的判决门限，取值0～1之间
% L 觅食行为的试探次数
% LB 决策变量的下界，M×1的向量
% UB 决策变量的上界，M×1的向量
%% 输出参数列表
% BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优人工鱼的状态
% BESTY K×1矩阵，记录每一代的最优人工鱼的评价函数值
% ALLX K×1细胞结构，每一个元素是M×N矩阵，记录每一代人工鱼的位置
% ALLY K×N矩阵，记录每一代人工鱼的评价函数值
%% 测试函数设置
% 测试函数用单独的子函数编写好，在子函数FIT.m中修改要调用的测试函数名即可
% 注意：决策变量的下界LB和上界UB，要与测试函数保持一致
%% 参考设置
%[BESTX,BESTY,ALLX,ALLY]=FSOUCP(50,30,0.5,0.3,20,LB,UB)

%% 第一步：
M=length(LB);%决策变量的个数
%蚁群位置初始化
X=zeros(M,N);
for i=1:M
x=unifrnd(LB(i),UB(i),1,N);
X(i,=x;
end
%输出变量初始化
ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体
ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值
BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体
BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值
k=1;%迭代计数器初始化

%% 第二步：迭代过程
while k<=K
NewX=zeros(M,N);
NewY=zeros(1,N);
for n=1:N
x=X(:,n);
Xnb=AFneighbour(n,X,V);
NN=size(Xnb,2);
if NN==0
xx=AFprey(x,V,L,LB,UB);
elseif NN>=3
xx=AFswarm(x,Xnb,N,Delta,V,L,LB,UB);
else
xx=AFprey(x,V,L,LB,UB);
end
NewX(:,n)=xx;
end
for n=1:N
NewY(n)=FIT(NewX(:,n));
end
X=NewX;
Y=NewY;
ALLX{k}=X;
ALLY(k,=Y;
minY=min(Y);
pos=find(Y==minY);
BESTX{k}=X(:,pos(1));
BESTY(k)=minY;
disp(k);
k=k+1;
end
%% 绘图
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
TempY=BESTY(1:k);
minTempY=min(TempY);
posY=find(TempY==minTempY);
BESTY2(k)=minTempY;
BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函数值')
xlabel('迭代次数')
grid on
function Xnb=AFneighbour(s,X,V)
%% 找出人工鱼感知范围内的邻居
%% 输入参数列表
% s 当前人工鱼的编号
% X M×N矩阵，人工鱼群
% V 人工鱼的感知范围
%% 输出参数列表
% Xnb 第s个人工鱼的邻居
%%
[M,N]=size(X);
xs=X(:,s);
Xnb=zeros(M,0);
for n=1:N
if n~=s
xn=X(:,n);
dx=xn-xs;
maxdx=max(dx);
mindx=min(dx);
if (maxdx<V)&&(mindx>V)
Xnb=[Xnb,xn];
end
end
end
function xx=AFprey(x,V,L,LB,UB)
%% 人工鱼觅食行为的子函数
%% 输入参数列表
% x 觅食行为之前的状态
% V 人工鱼的感知范围
% L 觅食行为的试探次数
% LB 决策变量的下界，M×1的向量
% UB 决策变量的上界，M×1的向量
%% 输出参数列表
% xx 觅食行为之后的状态
%%
M=length(x);
xx=zeros(M,1);
counter=0;
while 1
for m=1:M
q=x(m)+unifrnd(-V,V,1,1);
if q<LB(m)
q=LB(m);
end
if q>UB(m)
q=UB(m);
end
xx(m)=q;
end
counter=counter+1;
Fx=FIT(x);
Fxx=FIT(xx);
if Fxx<Fx
return
end
if counter>=L
return
end
end

saffasdfghh

[jdx_2007]

这么好的帖子，没人回复，可惜！