留意：此代码实现的是求目的函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
留意：此代码实现的是求目的函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
留意：此代码实现的是求目的函数最大值，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
不相识蝗虫算法可以先看看优化算法条记（二十八）蝗虫算法
实现代码前必要先完成优化算法matlab实现（二）框架编写中的框架的编写。
文件名形貌..\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。
文件名形貌..\optimization algorithm\frame\Get_Functions_details.m测试函数，求值用..\optimization algorithm\frame\func_plot.m函数图像，绘图用蝗虫算法的个体没有独有属性。
蝗虫算法个体
文件名：.. \optimization algorithm\algorithm_grasshopper\GOA_Unit.m
% 蝗虫算法个体classdef GOA_Unit < Unit properties end methods function self = GOA_Unit() end end end蝗虫算法算法主体
文件名：..\optimization algorithm\algorithm_grasshopper\GOA_Base.m
% 蝗虫算法classdef GOA_Base < Algorithm_Impl properties % 算法名称 name = 'GOA'; end % 外部可调用的方法 methods function self = GOA_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 ='GOA'; end end % 继续重写父类的方法 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 = GOA_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); % 盘算适应度值 unit.value = self.cal_fitfunction(unit.position); % 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) % 获取最优个体id best_id = self.get_best_id(); % 获取该代的变量c c = self.get_c(iter); for i = 1:self.size % 获取每一维的最大隔断 dist_dim_max = self.get_dist_dim_max(i) + realmin('double'); new_pos = zeros(1,self.dim); for j = 1:self.size if i == j continue end % 获取两个体间隔断，加上较小数，避免分母为0 distance = self.get_distance(i,j)+ realmin('double'); dist_dim = abs(self.unit_list(i).position-self.unit_list(j).position); % 将隔断归一化到1-4 dis_dim_norm = self.norm(1,4,dist_dim,dist_dim_max); dist_ij = (self.unit_list(i).position-self.unit_list(j).position); new_pos = new_pos + self.get_s(dis_dim_norm).*dist_ij./distance; end new_pos = c^2*(self.range_max_list-self.range_min_list)/2.*new_pos+self.unit_list(best_id).position; % 越界查抄 new_pos = self.get_out_bound_value(new_pos); new_value = self.cal_fitfunction(new_pos); % 贪婪一下 if new_value > self.unit_list(i).value self.unit_list(i).value = new_value; self.unit_list(i).position = new_pos; end end end % 获取每一维上距其他个体的最大隔断 function dist_dim_max = get_dist_dim_max(self,i) dist_dim_max = zeros(1,self.dim); for j = 1:self.size if i == j continue end dist_dim = abs(self.unit_list(i).position-self.unit_list(j).position); I = dist_dim>dist_dim_max; dist_dim_max(I) = dist_dim(I); end end % 获取隔断其他个体的隔断（欧式） function distance = get_distance(self,i,j) distance = sqrt(sum((self.unit_list(i).position - self.unit_list(j).position).^2)); end % 归一化，将值归一化到[min,max]区间内 function result = norm(self,min,max,value,value_max) result = min + (max-min).*value./value_max; end % 变量c function c = get_c(self,iter) c_max = 1; c_min = 0.00001; c = c_max-iter*(c_max-c_min)/self.iter_max; end % 函数s function s = get_s(self,x) f = 0.5; l = 1.5; s = f*exp(-x/l) - exp(-x); end % 获取当前最优个体的id function best_id=get_best_id(self) % 求最大值则降序分列 [value,index] = sort([self.unit_list.value],'descend'); best_id = index(1); end endend文件名：..\optimization algorithm\algorithm_grasshopper\GOA_Impl.m
算法实现，继续于Base,图方便也可不写，直接用GOA_Base，这里为了定名划一。
% 蝗虫算法实现classdef GOA_Impl < GOA_Base % 外部可调用的方法 methods function self = GOA_Impl(dim,size,iter_max,range_min_list,range_max_list) % 调用父类构造函数设置参数 self@GOA_Base(dim,size,iter_max,range_min_list,range_max_list); end end end2.测试
测试F1
文件名：..\optimization algorithm\algorithm_grasshopper\Test.m
%% 整理之前的数据% 扫除全部数据clear all;% 扫除窗口输出clc;%% 添加目次% 将上级目次中的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% 种群数目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;% 实例化蝗虫算法类base = GOA_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 spacesubplot(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 spacesubplot(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-1semilogy((base.value_best_history),'Color','r')title('Objective space')xlabel('Iteration');ylabel('Best score obtained so far');% 将坐标轴调解为紧凑型axis tight% 添加网格grid on% 四边都表现刻度box offlegend(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)]);
|
