混合蛙跳算法实现步骤与例子

算法背景

混合蛙跳算法的运行原理从仿生上来说可以这么认为：

在一个池塘，有若干块石头，青蛙可以落在石头上，每块石头上可以获取到的食物数量是不同的，在池塘中有很多只青蛙，也有很多块石头，青蛙间可以交流，这样所有青蛙就都会往自己所在蛙群中所知道的最多食物的方向跳，或往全部青蛙中食物最多的方向跳，最终在池塘中找到最多食物的石头。

算法原理

不作赘述。（主要懒得写，而且功力不够写不好~）

实现步骤

初始化参数
随机生成青蛙
划分蛙群
蛙群内进行局部搜索
重新排序（按适应度排序）后回到步骤3，直到达到条件输出

可以看出，第5步和第三步就是全局搜索，将蛙群里的信息通过排序后重新划分来实现蛙群间的信息共享

解决负载均衡调度问题

问题：现在有若干个任务，并有若干台处理任务的机器，每台机器处理任务的速度不同，找出最好的安排方案

比如任务有长度为1，2，3的三个任务，而机器也有每单位时间可以处理的任务长度为1，2，3的三台机器，那么最优方案是显而易见的，时间也只需要1个单位时间。

代码需改进的地方很多，但思路可供参考

import matplotlib.pyplot as plt
import numpy as np
import random
import operator# 适应度函数
def F(plan):sum = []for i in range(d):sum.append(0)for i in range(d):if(plan[i]<0|plan[i]>nodes.__len__()):return 100sum[plan[i]] += round(tasks[i]/nodes[plan[i]],3)sum.sort(reverse=True)return sum[0]# 初始化
tasks = [1, 2, 3, 4, 5,6,7,8,9]  # 任务长度
nodes = [1, 2, 3]  # 节点
# SFLA参数
N = 100
n = 10
d = tasks.__len__()
m = N//n
L = 5
G = 100
D_max = 10
P = []# step1 生成蛙群
for i in range(N):t = [[], 0]for j in range(d):t[0].append(random.randint(0, 2))t[0] = np.array(t[0])t[1] = F(t[0])P.append(t)
# sorted(P,key=lambda P:P[1])
P.sort(key=operator.itemgetter(1))
Xg = P[0]for k in range(G):#step2 划分子群M=[]for i in range(m):M.append([])for i in range(N):M[i%m].append(P[i])Xb=[]Xw=[]for i in range(m):Xb.append(M[i][0])Xw.append(M[i][M[i].__len__()-1])#step3 局部搜索for i in range(m):for j in range(L):D = random.randint(0,1)*(Xb[i][0]-Xw[i][0])temp = Xw[i][0]+Dif(F(temp) < F(Xw[i][0])):f = 0Xw[i][0] = tempXw[i][1] = F(temp)M[i][M[i].__len__()-1]=Xw[i]else:Xb[i] = Xgf=2if(f==2):t = [[], 0]for j in range(d):t[0].append(random.randint(0, 2))t[0] = np.array(t[0])t[1] = F(t[0])Xw[i] = tP = []for i in range(m):for j in range(n):P.append(M[i][j])# sorted(P,key=lambda P:P[1])P.sort(key=operator.itemgetter(1))Xg = P[0]x=[]y=[]for i in range(P.__len__()):x.append(k)y.append(P[i][1])plt.scatter(x,y,s=5)print(P[0])
plt.show()

可以看出蛙群很快就收敛到最优解了（横轴是全局搜索次数，纵轴是计划所需时间）

混合蛙跳算法实现步骤与例子相关推荐

【车间调度】基于matlab混合蛙跳算法 (SFLA) 求解简单调度问题【含Matlab源码 2247期】
⛄一.车间调度简介在传统的SFLA中,每一个青蛙的位置代表一个解,若干个青蛙组成的种群代表一个解的集合,种群被划分为不同的组,即模因组,对每个模因组执行搜索过程,当达到终止条件后,重新将模因组合并成 ...
基于混合蛙跳算法优化SVM的滚动轴承故障诊断python实现
1.混合蛙跳算法(SFLA)原理混合蛙跳算法(SFLA)是一种受自然生物模仿启示而产生的基于群体的协同搜索方法,由局部搜索和全局信息交换两部分组成. 混合蛙跳算法中,每个青蛙的位置代表了一个可行解. ...
【优化求解】基于混合蛙跳算法实现最优求解matlab源码
1 简介 2 部分代码 clc;clear all; close all m=50; %种群分组数 n=35; %t每组青蛙包含的个数 Ne=25; %组内迭代数 smax = 100; %最大步长 ...
【车间调度】基于改进蛙跳算法求解车间调度问题
作业车间调度问题描述作业车间调度问题(Job Shop Scheduling, JSP)是最经典的几个NP-hard问题之一.其应用领域极其广泛,涉及航母调度,机场飞机调度,港口码头货船调度,汽车加 ...
【BP回归预测】基于matlab随机蛙跳算法SFLA优化神经网络数据回归预测【含Matlab源码 2272期】
⛄一.蛙跳算法 1 改进的免疫蛙跳算法免疫蛙跳算法具有混合蛙跳算法的全局优化与局部细致搜索优点, 可以优化连续问题和离散问题, 具有较强的鲁棒性;同时, 群体具有的免疫机制对群体进行控制和调节, 把 ...
【BP回归预测】随机蛙跳算法SFLA优化神经网络数据回归预测【含Matlab源码 2272期】
⛄一.蛙跳算法 1 改进的免疫蛙跳算法免疫蛙跳算法具有混合蛙跳算法的全局优化与局部细致搜索优点, 可以优化连续问题和离散问题, 具有较强的鲁棒性;同时, 群体具有的免疫机制对群体进行控制和调节, 把 ...
关于蛙跳算法的计算机文献,文化蛙跳算法性能分析研究.PDF
文化蛙跳算法性能分析研究.PDF 第24卷摇第11期计算机技术与发展 Vol.24摇 No.11 2014年11月摇摇摇摇摇摇摇摇摇摇 COMPUTERTECHNOL ...
进化算法——蛙跳算法Python代码
进蛙跳算法Python代码蛙跳算法原理 Python代码参考文献蛙跳算法原理假设种群个数为 c h r o m n u m chromnum chromnum , 分组个数为 g r o u ...
matlab与水库调度,蛙跳算法优化水库调度,全局迭代中最优解未更新
本人尝试利用蛙跳算法求解水库单目标调度,目标函数是极大值函数,在运算中适应值最大的解在全局迭代中一直未更新,调试算法发现子群内更新时按适用度降序排列第一个最优解也未更新,不知道问题出在哪里,求大神指 ...