【优化调度】基于matlab人工鱼群算法求解梯级水库调度优化问题【含Matlab源码 415期】
一、获取代码方式
获取代码方式1:
通过订阅紫极神光博客付费专栏,凭支付凭证,私信博主,可获得此代码。
获取代码方式2:
完整代码已上传我的资源:【优化调度】基于matlab人工鱼群算法求解梯级水库调度优化问题【含Matlab源码 415期】
备注:
订阅紫极神光博客付费专栏,可免费获得1份代码(有效期为订阅日起,三天内有效);
二、人工鱼群算法简介
1 觅食行为
指鱼循着食物多的方向游动的一种行为,人工鱼X i X_iXi在其视野内随机选择一个状态X j X_jXj,分别计算它们的目标函数值进行比较,如果发现Y j Y_jYj比Y i Y_iYi优(Y j Y_jYj和Y i Y_iYi分别为X j X_jXj和X i X_iXi的适应度值),则Xi向Xj的方向移动一步;否则,X i X_iXi继续在其视野内选择状态X j X_jXj,判断是否满足前进条件,反复尝试t r y n u m b e r trynumbertrynumber次后,仍没有满足前进条件,则随机移动一步使X i X_iXi到达一个新的状态。表达式如下:
X j = X i + r a n d ( ) ∗ v i s u a l (1) X_j=X_i+rand()*visual \tag{1}Xj=Xi+rand()∗visual(1)
X n e x t = X i + r a n d ( ) ∗ s t e p ∗ X j − X i ∣ ∣ X j − X i ∣ ∣ (2) X_{next}=X_i+rand()step\frac{X_j-X_i}{\left | \left | X_j-X_i \right | \right |}\tag{2}Xnext=Xi+rand()∗step∗∣∣Xj−Xi∣∣Xj−Xi(2)
X n e x t = X i + r a n d ( ) ∗ s t e p (3) X_{next}=X_i+rand()*step \tag{3}Xnext=Xi+rand()∗step(3)
其中rand()是介于0和1之间的随机数。
人 工 鱼 的 视 觉 描 述 人工鱼的视觉描述人工鱼的视觉描述
框架图如下所示:
伪代码段如下:
for i = 1:Nfor j = 1:Try_numberXj=x(i)+Visual.*rand();%人工鱼Xi按式(1)在其视野内随机选择一个状态Xjif f(Xj)<f(x(i)) %比较Xj和Xi的适应度X_next= x(i)+rand()*step*(Xj-x(i))/norm(Xj-x(i)); %人工鱼Xi按式(2)朝着Xj方向移动一步,norm()函数表示二范数 break;elseX_next=x(i)+step*rand();endend
end
2 聚群行为
鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群 。人工鱼X i X_iXi搜索其视野内(d i j < v i s u a l d_{ij}<visualdij<visual)的伙伴数目n f n_fnf及中心位置X c X_cXc,若Y c / n f < δ Y i Y_c/n_f< δY_iYc/nf<δYi(求极小值时使用小于号,在求极大值时则相反;Y c Y_cYc和Y i Y_iYi分别为X c X_cXc和X i X_iXi的适应度值),表明伙伴中心位置状态较优且不太拥挤,则X i X_iXi朝伙伴的中心位置移动一步,否则执行觅食行为;
框架图如下所示:
伪代码段如下:
nf=0;X_inside=0;
for i = 1:Nfor j = 1:N if norm(x(j)-x(i))<Visual % 求人工鱼Xi与其他人工鱼之间的距离nf = nf+1; %统计在视野范围内的鱼数量 X_inside= X_inside+x(j); %将视野范围内的鱼进行累加endX_inside=X_inside-x(i); %需要去除Xi本身;因为在 一开始计算时,i=j,把中心的鱼也进行了一次计算nf=nf-1; Xc = X_inside/nf; %此时Xc表示Xi感知范围其他伙伴的中心位置; if f(Xc)/nf < δ*f(x(i))x_next=x(i)+rand*Step*(Xc-x(i))/norm(Xc-x(i)); else进行觅食行动endend
end
3 追尾行为
指鱼向其视野区域内的最优方向移动的一种行为。人工鱼X i X_iXi搜索其视野内(d i j < v i s u a l d_{ij}<visualdij<visual)适应度最高的个体X j X_jXj,其适应度值为Y j Y_jYj,并探索人工鱼X j X_jXj视野内的伙伴数目n f n_fnf,若Y j / n f < δ Y i Y_j/n_f< δY_iYj/nf<δYi,表明X j X_jXj状态较优且不太拥挤,则X i X_iXi朝X j X_jXj位置移动一步,否则执行觅食行为;
框架图如下所示:
伪代码段如下:
Y_max=inf;nf=0;
for i = 1:N %搜索人工鱼Xi视野范围内的最高适应度个体Xjfor j = 1:N if norm(x(j)-x(i))<Visual && f(x(j))<Y_max % 求人工鱼Xi与其他人工鱼之间的距离X_max=x(j); Y_max=f(x(j));endend%搜索人工鱼Xj视野范围内的伙伴数量for j = 1:N if(norm(x(j)-X_max)<Visual) nf=nf+1;endendnf=nf-1;%去掉他本身if Y_max/nf<delta*f(x(i))x_next= x(i,:)+rand*Step.*(temp_maxX-x(i,:))./norm(temp_maxX-x(i,:));else进行觅食行为;end
end
4 算法总述
综上所述,算法在运算过程中,会同时进行聚群和追尾行为。而觅食行为属于这两种行为中发现聚群对象或者追尾对象附近拥挤度过大时,人工鱼选择的行为方式,若在觅食过程中,未发现比自身适应度高的人工鱼,则按步长step随机移动。最后对聚群行为和追尾行为得到的适应度值进行比较,选择优秀的人工鱼作为下一代的个体。其总框架图如下:
2 分析拥挤度因子δ δδ
2.1 拥挤度因子的取值
在求极小值问题中:δ = α n m a x , α ∈ ( 0 , 1 ] δ=αn_{max}, α∈(0,1]δ=αnmax,α∈(0,1]
在求极大值问题中:δ = 1 α n m a x , α ∈ ( 0 , 1 ] δ=\frac{1}{αn_{max}},α∈(0,1]δ=αnmax1,α∈(0,1]
其中α αα为极值接近水平,n m a x n_{max}nmax为期望在该邻域内聚集的最大人工鱼数目。
2.2 拥挤度因子的作用机理
对追尾行为的描述
图中af0为人工鱼af1-5在各自视野内的最优人工鱼,其实物浓度为Y j Y_jYj,C1为以af0为圆心,以视野范围为半径的圆,即能探知af0的最远距离,人工鱼越靠近af0,状态越优。
求极大值情况下:当δ n f ≤ 1 δn_f\leq 1δnf≤1时,所有人工鱼af1-5都执行追尾行为,向af0游动;
δ = 1 α n m a x δ=\frac{1}{αn_{max}}δ=αnmax1
δ n f = n f α n m a x ≤ 1 δn_f =\frac{n_f}{αn_{max}}\leq 1δnf=αnmaxnf≤1
当α αα=1的时候,可以明显看出来n f ≤ n m a x n_f \leq n_{max}nf≤nmax,即说明人工鱼视野范围内不拥挤。
当δ n f > 1 δn_f >1δnf>1时,若C2的食物浓度为Y j δ n f \frac{Y_j}{δn_f }δnfYj的等浓度食物圈,则C2与C1间的人工鱼af1、af2、af3执行追尾行动,向af0游动,人工鱼af4、af5执行觅食行为。此时δnf 越大执行追尾行动的人工鱼越少,反之越多。
2.3 拥挤度因子的影响
以极大值为例(极小值的情况正好和极大值相反), δ δδ越大,表明允许的拥挤程度越小,人工鱼摆脱局部最优的能力越强;但是收敛的速度会有所减缓,这主要因为人工鱼在逼近极值的同时,会因避免过分拥挤而随机走开或者受其它人工鱼的排斥作用,不能精确逼近极值点。可见,δ δδ的引入避免了人工鱼过度拥挤而陷入局部极值,另一方面,该参数会使得位于极值点附近的人工鱼之间存在相互排斥的影响,而难以向极值点精确逼近,所以,对于某些局部极值不是很严重的具体问题,可以忽略拥挤的因素,从而在简化算法的同时也加快了算法的收敛速度和提高结果的精确程度。
三、部分源代码
%人工鱼群算法 梯级水库调度
tic
clear all
clc
format long
Visual=2.5;
Step=0.3;
N=100; %50条鱼
Try_number=100;%觅食时做50次搜索
d=[];
h=1e-1;
Friend_number=50;
a=[977,977,977,977,977,977,977,957,977,970,977,977]; %%[898,898,898,898,898,898,893,892,892,898,898,898];
b=[970,970,970,970,952,952,952,952,952,952,970,970]; %%[888,888,888,888,888,893,888,888,888,888,888,888];
k=0; %最外围变量,m为其上限,控制循环次数
m=50;
X1=rand(N,1)*(a(1)-b(1))+b(1);
X2=rand(N,1)*(a(2)-b(2))+b(2);
X3=rand(N,1)*(a(3)-b(3))+b(3);
X4=rand(N,1)*(a(4)-b(4))+b(4);
X5=rand(N,1)*(a(5)-b(5))+b(5);
X6=rand(N,1)*(a(6)-b(6))+b(6);
X7=rand(N,1)*(a(7)-b(7))+b(7);
X8=rand(N,1)*(a(8)-b(8))+b(8);
X9=rand(N,1)*(a(9)-b(9))+b(9);
X10=rand(N,1)*(a(10)-b(10))+b(10);
X11=rand(N,1)*(a(11)-b(11))+b(11);
X12=rand(N,1)*(a(12)-b(12))+b(12);
X=[X1,X2,X3,X4,X5,X6,X7,X8,X9,X10,X11,X12];%人工鱼数量50,一行24个向量为一条鱼
for i=1:N
wwww=[X(i,1),X(i,2),X(i,3),X(i,4),X(i,5),X(i,6),X(i,7),X(i,8),X(i,9),X(i,10),X(i,11),X(i,12)]; %www为所有鱼的全体,一行24个值,总共50行
d(i)=maxf(wwww);
end
[w,i]=max(d);
maxX=[X(i,1),X(i,2),X(i,3),X(i,4),X(i,5),X(i,6),X(i,7),X(i,8),X(i,9),X(i,10),X(i,11),X(i,12)]; maxY=w; %初始公告板记录 w即为最大函数值
figurex1=[];figurex2=[];figurex3=[];figurex4=[];figurex5=[];figurex6=[];figurex7=[];figurex8=[];figurex9=[];figurex10=[];figurex11=[];figurex12=[];
figurez=[];
figurex1(numel(figurex1)+1)=maxX(1); %figurex1(numel(figurex1)+1)即为figurex1(1),也即X(i,1),同14行
figurex2(numel(figurex2)+1)=maxX(2);
figurex3(numel(figurex3)+1)=maxX(3);figurex4(numel(figurex4)+1)=maxX(4);figurex5(numel(figurex5)+1)=maxX(5);figurex6(numel(figurex6)+1)=maxX(6);
figurex7(numel(figurex7)+1)=maxX(7);figurex8(numel(figurex8)+1)=maxX(8);figurex9(numel(figurex9)+1)=maxX(9);figurex10(numel(figurex10)+1)=maxX(10);
figurex11(numel(figurex11)+1)=maxX(11);figurex12(numel(figurex12)+1)=maxX(12);
figurez(numel(figurez)+1)=maxY; %函数最大值
kkk=0;
for p=1:3
while(k<m)for i=1:N %一次一条鱼进行 XX=[X(i,1),X(i,2),X(i,3),X(i,4),X(i,5),X(i,6),X(i,7),X(i,8),X(i,9),X(i,10),X(i,11),X(i,12)];nf=0;Xc=0;for j=1:N %聚群行为开始XXX=[X(j,1),X(j,2),X(j,3),X(j,4),X(j,5),X(j,6),X(j,7),X(j,8),X(j,9),X(j,10),X(j,11),X(j,12)];if(norm(XXX-XX)<Visual) nf=nf+1;Xc=Xc+XXX;endendXc=Xc/nf; %鱼群中心位置if((maxf(Xc))>maxf(XX))XXnext1=XX+rand*Step*(Xc-XX)/norm(Xc-XX);XXnext1=xianzhi(XXnext1);elseXXnext1=gmjprey(XX,Try_number,Visual,Step); %觅食XXnext1=xianzhi(XXnext1);end%聚群行为结束%maxX=XX;%追尾行为开始,追尾初始位置仍为xx和聚群一样的,同第35行%maxY=maxf(XX);for j=1:Friend_numberXXX=[X(j,1),X(j,2),X(j,3),X(j,4),X(j,5),X(j,6),X(j,7),X(j,8),X(j,9),X(j,10),X(j,11),X(j,12)];if(norm(XXX-XX)<Visual & maxf(XXX)>maxY)maxX=XXX;maxY=maxf(XXX); %此时maxf为Friend_number中的最大值endendif((maxY)>maxf(XX))XXnext2=XX+rand*Step*(maxX-XX)/norm(maxX-XX); XXnext2=xianzhi(XXnext2);elseXXnext2 =gmjprey(XX,Try_number,Visual,Step);%觅食XXnext2=xianzhi(XXnext2);end%追尾行为结束if(maxf(XXnext1)>maxf(XXnext2)) %聚群与追尾进行对比for j=1:12X(i,j)=XXnext1(j);end%%%%%%%%%%%%%%%%% 每月来水量,丰水年情况
qwan=[ 313 363 587 493 263 309 699 1110 1134 808 486 325 ];
%qwan=[402,352,702,457,227,432,418,1040,795,544,373,405];
%qwan=[598.21,699.12,564.58,667.52,195.60,195.60,195.60,946.89,3235.13,1505.35,951.89,730.58]; %丰水年
%qwan=[167.16,176.81,378.46,317.67,286.8,286.8,1061.56,1312.18,918.52,768.25,500.99,250.13];%平水年
%qwan=[332.3,295.18,664.44,365.42,26.15,45.32,122.58,950.26,622.13,141.65,236.98,334.18];%枯水年
%%%%%%%%%%%%%%% 每月来水,丰水年情况
qwl=[0,0,0,0,0,0,0,0,0,0,0,0]; %上下游水库区间流量w代表万家寨,l代表龙口%%%%%%%%%%%%每月小时数
t(1)=31*24; t(3)= t(1); t(5)= t(1);
t(5)= t(1); t(7)= t(1); t(8)= t(1);
t(10)= t(1); t(12)= t(1);
t(2)=28*24;
t(4)=30*24; t(6)= t(4);t(9)= t(4);t(11)= t(4);%-------------------------------------------------for j=1:12 %%%%%%% 水位推求库容if 952<=x(j)<955vw(j)=(4.508+(x(j)-952)/(955-952)*(4.548-4.508))*10^8; %vw(j)上游水位对应的库容elseif 955<=x(j)<957vw(j)=(4.548+(x(j)-955)/(957-955)*(4.739-4.548))*10^8;elseif 957<=x(j)<960vw(j)=(4.739+(x(j)-957)/(960-957)*(4.936-4.739))*10^8;elseif 960<=x(j)<965vw(j)=(4.936+(x(j)-960)/(965-960)*(5.546-4.936))*10^8;elseif 965<=x(j)<970vw(j)=(5.546+(x(j)-965)/(970-965)*(7.756-6.563))*10^8;elseif 975<=x(j)<977.5vw(j)=(7.756+(x(j)-975)/(977.5-975)*(8.35-7.756))*10^8;elseif 977.5<=x(j)<980vw(j)=(8.35+(x(j)-977.5)/(980-977.5)*(8.962-8.35))*10^8;endendfor j=1:11 %%%%%%%%%%%%%%% 下泄流量推水位qxw(j)=qwan(j)-(vw(j+1)-vw(j))/(t(j)*3600); % qxw(j)为出库流量endqxw(12)=qwan(12)-(vw(1)-vw(12))/(t(12)*3600); %vw(13)=vw(1)%%%%%%%%%%%%%%%%%%%%%%%%%% 下泄流量水位关系for j=1:12if 0<=qxw(j)<85hxw(j)=898+(qxw(j)-0)/(85-0)*(899-898); %下游流量对应的水位elseif 85<=qxw(j)<174hxw(j)=899+(qxw(j)-85)/(174-85)*(900-899);elseif 174<=qxw(i)<286hxw(j)=900+(qxw(j)-174)/(286-174)*(901-900);elseif 286<=qxw(j)<571hxw(j)=901+(qxw(j)-286)/(571-2860)*(902-901);elseif 571<=qxw(j)<878hxw(j)=902+(qxw(j)-571)/(878-571)*(903-902);elseif 878<=qxw(j)<1320hxw(j)=903+(qxw(j)-878)/(1320-878)*(904-903);elseif 1320<=qxw(j)<1860hxw(j)=904+(qxw(j)-1320)/(1860-1320)*(905-904);elseif 1860<=qxw(j)<2480hxw(j)=905+(qxw(j)-1860)/(2480-1860)*(906-905);end
四、运行结果
五、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017.
【优化调度】基于matlab人工鱼群算法求解梯级水库调度优化问题【含Matlab源码 415期】相关推荐
- 【AFSA TSP】基于matlab人工鱼群算法求解旅行商问题【含Matlab源码 422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:[TSP]基于matlab人工鱼群算法求解旅行商问题[含Matlab源码 422期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2 ...
- 【微电网优化】基于matlab粒子群算法求解综合能源系统优化问题【含Matlab源码 1969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:[微电网优化]基于matlab粒子群算法求解综合能源系统优化问题[含Matlab源码 1969期] 点击上面蓝色字体,直接付费下载,即可. ...
- 【Matlab验证码识别】遗传算法和最大熵优化+大津法(OTSU)+自定义阈值数字验证码识别【含GUI源码 1694期】
一.代码运行视频(哔哩哔哩) [Matlab验证码识别]遗传算法和最大熵优化+大津法(OTSU)+自定义阈值数字验证码识别[含GUI源码 1694期] 二.matlab版本及参考文献 1 matlab ...
- 【Matlab指纹识别】指纹识别门禁系统【含GUI源码 1692期】
一.代码运行视频(哔哩哔哩) [Matlab指纹识别]指纹识别门禁系统[含GUI源码 1692期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 包子阳,余继 ...
- 【Matlab人脸识别】人脸实时检测与跟踪【含GUI源码 673期】
一.代码运行视频(哔哩哔哩) [Matlab人脸识别]人脸实时检测与跟踪[含GUI源码 673期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]孟逸凡,柳益君 ...
- 【Matlab树叶分类】BP神经网络植物叶片分类【含GUI源码 916期】
一.代码运行视频(哔哩哔哩) [Matlab树叶分类]BP神经网络植物叶片分类[含GUI源码 916期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 蔡利梅 ...
- 【Matlab水果蔬菜识别】形态学水果蔬菜识别【含GUI源码 919期】
一.代码运行视频(哔哩哔哩) [Matlab水果蔬菜识别]形态学水果蔬菜识别[含GUI源码 919期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 蔡利梅. ...
- 【Matlab青草识别】形态学马唐草+牛筋草识别【含GUI源码 908期】
一.代码运行视频(哔哩哔哩) [Matlab青草识别]形态学马唐草+牛筋草识别[含GUI源码 908期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 蔡利梅 ...
- 【Matlab限速标志识别】形态学限速标志识别【含GUI源码 1142期】
一.代码运行视频(哔哩哔哩) [Matlab限速标志识别]形态学限速标志识别[含GUI源码 1142期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 蔡利梅 ...
- 【配送路径规划】基于matlab蚁群算法求解配送路径最短问题【含Matlab源码 2222期】
⛄一.VRP简介 1 VRP基本原理 车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一.VRP关注有一个供货商与K个销售点的路径规划的情况,可以简 ...
最新文章
- Configure,Makefile.am, Makefile.in, Makefile文件之间关系
- 使用克隆配置任务配置边缘传输服务器角色
- MySQL(一)MySQL基础介绍
- numa节点_极致性能(1):以NUMA为起点
- java insert_java获取新insert数据自增id的实现方法
- 小白的web优化之路 一、使用redis来缓存信息
- Visual Basic .NET中操作MsAgent
- 删除倾斜OSGB数据中的漂浮物
- 20个必不可少的Python第三方库(存干货分享)!
- 四种传真接收模式概述
- Elasticsearch对接Django
- Visual Studio 2019上安装AnkhSVN2019
- 15、ADS使用记录之耦合器设计
- mysql筛选包含某个字符_mysql判断某个字符串是否包含某个字符串的3种方法
- MYSQL实现排序分组取第一条sql
- Unity Serialization 序列化
- python爬虫之scrapy
- python如何将秒数转化成时分秒_python时分秒化为秒 python时分秒的正则表达式
- 2021小迪网络安全渗透培训—学习笔记打卡
- SG3525频率和占空比参数的选取
热门文章
- BZOJ1101 [POI2007] Zap
- SQLServer2008 去除换行符
- MyEclipse修改项目名称
- 第二节 数值、字符与字符串
- VS注释和取消注释快捷键自定义
- OpenCV人工智能图像处理学习笔记 第5章 计算机视觉加强之图像美化
- unity快速将旋转向量转换为四元数
- Atitit 作用域的理解attilax总结 1.1. 作用域是指对某一变量和方法具有访问权限的代码空间,	1 1.2. 作用域的使用提高了程序逻辑的局部性,增强程序的可靠性,减少名字冲突。	1 1
- Atitit mybatis prblm n solu v1 u55 目录 1.1. 加载任意文职cfg	1 1.2. 根据dburl获取factory	1 1.3. Load any mapper
- Atitit alldiaryindex v1 t717 目录 1. Fix	1 2. Diary detail	1 2.1. Diary 1987---2016.12	1 2.2. Diary20