优化算法matlab实现(十二)烟花算法matlab实现
2022-04-09 本文已影响0人
stronghorse
注意:此代码实现的是求目标函数最大值,求最小值可将适应度函数乘以-1(框架代码已实现)。
注意:此代码实现的是求目标函数最大值,求最小值可将适应度函数乘以-1(框架代码已实现)。
注意:此代码实现的是求目标函数最大值,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
不了解烟花算法可以先看看优化算法笔记(十二)烟花算法
实现代码前需要先完成优化算法matlab实现(二)框架编写中的框架的编写。
文件名 | 描述 |
---|---|
..\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 | 描述 |
---|---|
..\optimization algorithm\frame\Get_Functions_details.m | 测试函数,求值用 |
..\optimization algorithm\frame\func_plot.m | 函数图像,画图用 |
烟花算法的个体没有独有属性。
烟花算法个体
文件名:.. \optimization algorithm\algorithm_fireworks\FWA_Unit.m
% 烟花算法个体
classdef FWA_Unit < Unit
properties
end
methods
function self = FWA_Unit()
end
end
end
烟花算法主体
文件名:..\optimization algorithm\algorithm_fireworks\FWA_Base.m
% 烟花算法
classdef FWA_Base < Algorithm_Impl
properties
% 算法名称
name = 'FWA';
% 生产火星数
m;
% 火星比例a
a;
% 火星比例b
b;
% 最大振幅
amplitude_max;
% 产生特殊火星数
spec_num;
% 记录所有火星,选择时用
all_list;
end
% 外部可调用的方法
methods
function self = FWA_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 ='FWA';
self.m=40;
self.a=0.2;
self.b=0.8;
self.spec_num = 5;
self.amplitude_max = 40;
end
end
% 继承重写父类的方法
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 = FWA_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);
% 计算适应度值
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)
% 生成火星
for i = 1:self.size
self.obtain_spark(i);
end
% 生成特殊火星
for num = 1:self.spec_num
rand = unidrnd(self.size);
self.obtain_spec_spark(rand);
end
% 选择火星保留到下一代
self.select_sparks();
end
% 生成当前个体的火星
function obtain_spark(self,id)
% 计算该个体应生成的火星数
num = self.get_spark_num(id);
% 计算当前个体振幅
amplitude = self.get_spark_amplitude(id);
% 依次生成n个火星
for n = 1:num
pos = self.unit_list(id).position;
for d = 1:self.dim
if(rand<0.5)
pos(d) = pos(d)+ amplitude*unifrnd(-1,1);
% 超出范围则取模
if (pos(d)>self.range_max_list(d) || pos(d)<self.range_min_list(d))
pos(d) = self.range_min_list(d)+mod(pos(d),(self.range_max_list(d)-self.range_min_list(d)));
end
end
end
unit = FWA_Unit();
unit.position = pos;
unit.value = self.cal_fitfunction(pos);
self.all_list = [self.all_list,unit];
end
end
% 生成当前个体的特殊火星
function obtain_spec_spark(self,id)
pos = self.unit_list(id).position;
for d = 1:self.dim
if(rand<0.5)
pos(d) = pos(d)*normrnd(1,1);
% 超出范围则取模
if (pos(d)>self.range_max_list(d) || pos(d)<self.range_min_list(d))
pos(d) = self.range_min_list(d)+mod(pos(d),(self.range_max_list(d)-self.range_min_list(d)));
end
end
end
unit = FWA_Unit();
unit.position = pos;
unit.value = self.cal_fitfunction(pos);
self.all_list = [self.all_list,unit];
end
% 选择火星保留到下一代
function select_sparks(self)
self.all_list = [self.all_list,self.unit_list];
[max_value,max_value_id] = max([self.all_list.value]);
% 计算保留各个个体的概率
rates=zeros(length(self.all_list(:)));
% 总距离
dist_sum=0;
for i = 1:length(self.all_list(:))
% 计算距离和(使用适应度函数值计算)
dist = 0;
for j = 1:length(self.all_list(:))
dist = dist + abs(self.all_list(i).value-self.all_list(j).value);
end
dist_sum = dist_sum + dist;
rates(i) = dist;
end
% 将概率归一到[0,1]内
rates = rates/dist_sum;
for i = 1:self.size
if (i ==1)
% 保留最优个体到第列表中的第一个
self.unit_list(1).position = self.all_list(max_value_id).position;
self.unit_list(1).value = self.all_list(max_value_id).value;
else
for j = 1:length(self.all_list(:))
if(rand<rates(j))
self.unit_list(i).position = self.all_list(j).position;
self.unit_list(i).value = self.all_list(j).value;
break
end
end
end
end
% 将数组清空
self.all_list=[];
end
% 获取当前应产生的火星数
function num = get_spark_num(self,id)
value_min = min([self.unit_list.value]);
value_sum = sum([self.unit_list.value]);
value = self.unit_list(id).value;
num = round(self.m*(value-value_min+realmin('double'))/(value_sum-self.size*value_min+realmin('double')));
if(num<self.a*self.m)
num = round(self.a*self.m);
elseif(num<self.b*self.m)
num = round(self.b*self.m);
else
end
end
% 获取当前火星振幅
function amplitude = get_spark_amplitude(self,id)
value_max = max([self.unit_list.value]);
value_sum = sum([self.unit_list.value]);
value = self.unit_list(id).value;
amplitude = self.amplitude_max*(value_max-value+realmin('double'))/(self.size*value_max-value_sum+realmin('double'));
end
% 获取当前最优个体的id
function best_id=get_best_id(self)
% 求最大值则降序排列
[value,index] = sort([self.unit_list.value],'descend');
best_id = index(1);
end
end
end
文件名:..\optimization algorithm\algorithm_fireworks\FWA_Impl.m
算法实现,继承于Base,图方便也可不写,直接用FWA_Base,这里为了命名一致。
%烟花算法实现
classdef FWA_Impl < FWA_Base
% 外部可调用的方法
methods
function self = FWA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@FWA_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.测试
测试F1
文件名:..\optimization algorithm\algorithm_fireworks\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
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
% 种群数量
size = 5; % 烟花算法种群数要比其他少,一个个体会产生数个火星
% 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;
% 实例化烟花算法类
base = FWA_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 space
subplot(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 space
subplot(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-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(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)]);