注意：此代码实现的是求目的函数最大值，求最小值可将顺应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目的函数最大值，求最小值可将顺应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目的函数最大值，求最小值可将顺应度函数乘以-1（框架代码已实现）。
1.代码实现
不相识帝王蝶算法可以先看看优化算法条记（二十四）帝王蝶算法
实今世码前须要先完成优化算法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，绘图用帝王蝶算法的个体没有独有属性。
帝王蝶算法个体
文件名：.. \optimization algorithm\algorithm_monarch_butterfly\MBO_Unit.m
% 帝王蝶算法个体classdef MBO_Unit < Unit properties end methods function self = MBO_Unit() end endend帝王蝶算法算法主体
文件名：..\optimization algorithm\algorithm_monarch_butterfly\MBO_Base.m
% 帝王蝶算法classdef MBO_Base < Algorithm_Impl properties % 算法名称 name = 'MBO'; % 迁徙概率 p = 5.0/12; bar = 5.0/12; peri = 1.2; step_max = 100.0; group1_ids = []; group2_ids = []; end % 外部可调用的方法 methods function self = MBO_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 ='MBO'; 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 = MBO_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); % 盘算顺应度值 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) % 分别种群 self.divide_group(); % 迁徙 self.migration(); % 顺应情况 self.adjusting(iter); end % 分别种群 function divide_group(self) % 举行迁徙的个体id self.group1_ids = []; % 举行顺应情况的个体id self.group2_ids = []; for i = 1:self.size if rand< self.p self.group1_ids = [self.group1_ids,i]; else self.group2_ids = [self.group2_ids,i]; end end end % 迁徙 function migration(self) for index = 1:length(self.group1_ids( ) r = unifrnd(0,1,1,self.dim); new_pos = zeros(1,self.dim); for d = 1:self.dim if (r(d)*self.peri) < self.p % 从群体1中随机选择个体 r_index = randperm(length(self.group1_ids(),1); r_id = self.group1_ids(r_index); new_pos(d) = self.unit_list(r_id).position(d); else % 从群体2中随机选择个体 r_index = randperm(length(self.group2_ids(),1); r_id = self.group2_ids(r_index); new_pos(d) = self.unit_list(r_id).position(d); end end id = self.group1_ids(index); new_value = self.cal_fitfunction(new_pos); if new_value > self.unit_list(id).value self.unit_list(id).value = new_value; self.unit_list(id).position = new_pos; end end end % 顺应情况 function adjusting(self,iter) for index = 1:length(self.group2_ids() r = unifrnd(0,1,1,self.dim); r1 = unifrnd(0,1,1,self.dim); r_levy = Levy(self.dim); % 默认取值为全局最优 new_pos = self.position_best; for d = 1:self.dim if r(d) >=self.p % 从群体2中随机选择个体 r_index = randperm(length(self.group2_ids(),1); r_id = self.group2_ids(r_index); new_pos(d) = self.unit_list(r_id).position(d); if r1(d) > self.bar new_pos(d) = new_pos(d) + self.step_max/(iter*iter)*(r_levy(d)-0.5); end end end id = self.group2_ids(index); % 越界查抄 new_pos = self.get_out_bound_value(new_pos); new_value = self.cal_fitfunction(new_pos); if new_value > self.unit_list(id).value self.unit_list(id).value = new_value; self.unit_list(id).position = new_pos; end end 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 endendfunction o=Levy(d)beta=1.5;sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);o=step;end文件名：..\optimization algorithm\algorithm_monarch_butterfly\MBO_Impl.m
算法实现，继续于Base,图方便也可不写，直接用MBO_Base，这里为了定名同等。
% 帝王蝶算法实现classdef MBO_Impl < MBO_Base % 外部可调用的方法 methods function self = MBO_Impl(dim,size,iter_max,range_min_list,range_max_list) % 调用父类构造函数设置参数 self@MBO_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_monarch_butterfly\Test.m
%% 清算之前的数据% 打扫全部数据clear all;% 打扫窗口输出clc;%% 添加目录% 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;% 实例化帝王蝶算法类base = MBO_Impl(dim,size,iter_max,range_min_list,range_max_list);base.is_cal_max = false;% 确定顺应度函数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，顺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)]); |
