一、简介

介绍了一种新的元启发式群智能算法——花朵授粉算法（flower pollinate algorithm，FPA）和一种新型的差分进化变异策略——定向变异（targeted mutation，TM）策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题，提出了一种基于变异策略的改进型花朵授粉算法——MFPA。该算法通过改进TM策略，并应用到FPA的局部搜索过程中，以增强算法的局部开发能力。

二、源代码

function [pdd,fmin ] =pso( c1,c2,Vmax,Vmin,popmax,popmin,sizepop,maxgen)
%UNTITLED2 此处显示有关此函数的摘要
%   此处显示详细说明
PLb=-5.12*ones(1,30);
PUb=5.12*ones(1,30);
pop=zeros(sizepop,30);
V=zeros(1,30);
fitnessP=zeros(1,sizepop);
for i=1:sizepoppop(i,:)=PLb+(PUb-PLb)*rand;V(i,:)=rands(1,30);fitnessP(i)=Fun(pop(i,:));
end
[bestfitness bestindex]=min(fitnessP);
zbest=pop(bestindex,:);   %全局最佳
gbest=pop;    %个体最佳
fitnessgbest=fitnessP;   %个体最佳适应度值
fitnesszbest=bestfitness;   %全局最佳适应度值
% Ntime11=1    ;
% Ntime=Ntime11-1;
% maxgen=0;
% ptol=0.01;
% while(fitnesszbest>ptol),
for i11=1:maxgenfor j=1:sizepop%速度更新V(j,:) = V(j,:) + c1*rand*(gbest(j,:)-pop(j,:)) + c2*rand*(zbest-pop(j,:));V(j,find(V(j,:)>Vmax))=Vmax;V(j,find(V(j,:)<Vmin))=Vmin;%种群更新pop(j,:)=pop(j,:)+0.2*V(j,:);pop(j,find(pop(j,:)>popmax))=popmax;pop(j,find(pop(j,:)<popmin))=popmin;%自适应变异pos=unidrnd(30);if rand>0.95pop(j,pos)=5.12*rands(1,1);end%适应度值
%          pop(j,:)=simpleboundsP(pop(j,:),PLb,PUb);fitnessP(j)=Fun(pop(j,:));endfor j=1:sizepop%个体最优更新if fitnessP(j) < fitnessgbest(j)gbest(j,:) = pop(j,:);fitnessgbest(j) = fitnessP(j);end%群体最优更新 if fitnessP(j) < fitnesszbestzbest = pop(j,:);fitnesszbest = fitnessP(j);end
%         Ntime11=Ntime11+1;end
%     maxgen=maxgen+1;
%     if maxgen>10000,
%         fitnesszbest=ptol-1;
%     end
%    if round(i11/30)==i11/30,pdd(i11)=fitnesszbest;
%    endend
fmin =fitnesszbest;
end
% function sfP=simpleboundsP(sfP,PLb,PUb)
%   % Apply the lower bound
%   ns_tmpfP=sfP;
%   IfP=ns_tmpfP<PLb;
%   ns_tmpfP(IfP)=PLb(IfP);
%
%   % Apply the upper bounds
%   JfP=ns_tmpfP>PUb;
%   ns_tmpfP(JfP)=PUb(JfP);
%   % Update this new move
%   sfP=ns_tmpfP;
% end
% ======================================================== %
% Files of the Matlab programs included in the book:       %
% Xin-She Yang, Nature-Inspired Metaheuristic Algorithms,  %
% Second Edition, Luniver Press, (2010).   www.luniver.com %
% ======================================================== %    % -------------------------------------------------------- %
% Bat-inspired algorithm for continuous optimization (demo)%
% Programmed by Xin-She Yang @Cambridge University 2010    %
% -------------------------------------------------------- %
% Usage: bat_algorithm([20 0.25 0.5]);                     %function [pblt,fminbl]=bat_algorithm(nb,A,r,BQmin,BQmax,db,NB)
% Display help
%  help bat_algorithm.m% Default parameters
% if nargin<1,  para=[10 0.25 0.5];  end
% nb=para(1);      % Population size, typically 10 to 25
% A=para(2);      % Loudness  (constant or decreasing)
% r=para(3);      % Pulse rate (constant or decreasing)
% % This frequency range determines the scalings
% BQmin=0;         % Frequency minimum
% BQmax=2;         % Frequency maximum
% % Iteration parameters
%  % Stop tolerance
% N_iter=0;       % Total number of function evaluations
% Dimension of the search variables
% db=5;
% Initial arrays
BLb=-5.12*ones(1,db);
BUb=5.12*ones(1,db);
Q=zeros(nb,1);   % Frequency
v=zeros(nb,db);   % Velocities
Solb=zeros(nb,db);
Fitnessb=zeros(1,nb);
Sb=zeros(nb,db);
% Initialize the population/solutions
for i=1:nb,Solb(i,:)=BLb+(BUb-BLb)*rand;Fitnessb(i)=Fun(Solb(i,:));
end
% Find the current best
[fminb,Ib]=min(Fitnessb);
bestb=Solb(Ib,:);% ======================================================  %
% Note: As this is a demo, here we did not implement the  %
% reduction of loudness and increase of emission rates.   %
% Interested readers can do some parametric studies       %
% and also implementation various changes of A and r etc  %
% ======================================================  %
% btol=0.01;
% NB=0;
% Start the iterations -- Bat Algorithm
% while(fminb>btol),
for tb =1: NB,% Loop over all bats/solutionsfor i=1:nb,Q(i)=BQmin+(BQmin-BQmax)*rand;v(i,:)=v(i,:)+(Solb(i,:)-bestb)*Q(i);Sb(i,:)=Solb(i,:)+v(i,:);% Pulse rateif rand>rSb(i,:)=bestb+0.01*randn(1,db);end% Evaluate new solutionsSb(i,:)=BsimpleboundsP(Sb(i,:),BLb,BUb);Fnewb=Fun(Sb(i,:));% If the solution improves or not too loudnessif (Fnewb<=Fitnessb(i)) & (rand<A) ,Solb(i,:)=Sb(i,:);Fitnessb(i)=Fnewb;end% Update the current bestif Fnewb<=fminb,bestb=Sb(i,:);fminb=Fnewb;endendfunction [aa,fminf,Ntime ] = fpa(n,p,N_iter,d )
%UNTITLED3 此处显示有关此函数的摘要
%   此处显示详细说明
Lb=-600*ones(1,d);
Ub=600*ones(1,d);Sol=zeros(n,d);Fitness=zeros(1,n);
for i=1:n,Sol(i,:)=Lb+(Ub-Lb)*rand;Fitness(i)=Fun(Sol(i,:));
end% Find the current best
[fmin,I]=min(Fitness);
best=Sol(I,:);
S=Sol;Ntime=1;Ntime= Ntime-1;
for t=1:N_iter,% Loop over all bats/solutionsfor i=1:n,% Pollens are carried by insects and thus can move in% large scale, large distance.% This L should replace by Levy flights  % Formula: x_i^{t+1}=x_i^t+ L (x_i^t-gbest)if rand<p,%% L=rand;L=Levy(d);dS=L.*(Sol(i,:)-best);S(i,:)=Sol(i,:)+dS;% Check if the simple limits/bounds are OKS(i,:)=simplebounds(S(i,:),Lb,Ub);% If not, then local pollenation of neighbor flowers elseepsilon=rand;% Find random flowers in the neighbourhoodJK=randperm(n);%               end% As they are random, the first two entries also random% If the flower are the same or similar species, then% they can be pollenated, otherwise, no action.% Formula: x_i^{t+1}+epsilon*(x_j^t-x_k^t)
%            S(i,:)=S(i,:)+epsilon*(Sol(JK(1))-Sol(JK(2)));
%               % Check if the simple limits/bounds are OKS(i,:)=simplebounds(S(i,:),Lb,Ub);end

三、运行结果

【优化算法】基于变异策略的改进型花朵授粉算法matlab源码相关推荐

【优化算法】基于matlab反向策略的麻雀搜索算法【含Matlab源码 1918期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[优化算法]基于matlab反向策略的麻雀搜索算法[含Matlab源码 1918期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式 ...
基于多策略的改进花授粉算法
文章目录一.理论基础 1.基本花授粉算法 2.基于多策略改进的花授粉算法 (1)新全局搜索策略 (2)引入精英变异策略的局部搜索策略 (3)对劣解的改进策略 (4)自适应调整转换概率二.实验仿真及 ...
【路径规划】基于matlab DWA算法机器人局部避障路径规划【含Matlab源码 890期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[路径规划]基于matlab DWA算法机器人局部避障路径规划[含Matlab源码 890期] 获取代码方式2: 通过订阅紫极神光博客付费 ...
果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）-Matlab源码
获取更多资讯,赶快关注上面的公众号吧! 文章目录果蝇优化算法(Fruit Fly Optimization Algorithm,FOA) 启发初始化食物搜索计算味道浓度判定值适应度评估确定 ...
【A_star三维路径规划】基于matlab A_star算法机器人栅格地图三维路径规划【含Matlab源码 190期】
一.A_star算法简介 1 A Star算法及其应用现状进行搜索任务时提取的有助于简化搜索过程的信息被称为启发信息.启发信息经过文字提炼和公式化后转变为启发函数.启发函数可以表示自起始顶点至目标顶 ...
【语音识别】基于DTW算法实现0~9数字和汉字语音识别含Matlab源码
1 简介在孤立词语音识别中,动态时间规整DTW算法是一种应用较为广泛的算法之一,有着较强的科学性,在立足于当前DTW语音识别算法应用的实际情况下,简略阐述了该课题的研究背景,并从预处理和特征参数提取 ...
【ELMAN预测】基于布谷鸟算法改进ELMAN动态递归神经网络实现数据预测matlab源码
一.Elman神经网络介绍 1.特点 Elman神经网络是一种典型的动态递归神经网络,它是在BP网络基本结构的基础上,在隐含层增加一个承接层,作为一步延时算子,达到记忆的目的,从而使系统具有适应时变特 ...
【路径规划】基于matlab A_star算法多机器人仓储巡逻路径规划【含Matlab源码 2125期】
⛄一.A_star算法简介 1 A Star算法及其应用现状进行搜索任务时提取的有助于简化搜索过程的信息被称为启发信息.启发信息经过文字提炼和公式化后转变为启发函数.启发函数可以表示自起始顶点至目标 ...
【图像配准】基于粒子群改进的sift图像配准matlab源码
SIFT \ SIFT尺度不变特征转换,具有选择,尺度不变性.由David Lowe在1999年所发表,2004年完善总结. owe将SIFT算法分解为如下四步: \ 1. 尺度空间极值检测:搜索所有 ...

【优化算法】基于变异策略的改进型花朵授粉算法matlab源码

一、简介

二、源代码

三、运行结果

【优化算法】基于变异策略的改进型花朵授粉算法matlab源码相关推荐

最新文章

热门文章