python实现人工蜂群算法,蜂群,算法,详细内容,相关文章,更多关于

python实现人工蜂群算法

易采站长站，站长之家为您整理了python实现人工蜂群算法的相关内容。

ABSIndividual.py

import numpy as np

import ObjFunction

class ABSIndividual:

'''

individual of artificial bee swarm algorithm

'''

def __init__(self, vardim, bound):

'''

vardim: dimension of variables

bound: boundaries of variables

'''

self.vardim = vardim

self.bound = bound

self.fitness = 0.

self.trials = 0

def generate(self):

'''

generate a random chromsome for artificial bee swarm algorithm

'''

len = self.vardim

rnd = np.random.random(size=len)

self.chrom = np.zeros(len)

for i in xrange(0, len):

self.chrom[i] = self.bound[0, i] + \

(self.bound[1, i] - self.bound[0, i]) * rnd[i]

def calculateFitness(self):

'''

calculate the fitness of the chromsome

'''

self.fitness = ObjFunction.GrieFunc(

self.vardim, self.chrom, self.bound)

ABS.py

import numpy as np

from ABSIndividual import ABSIndividual

import random

import copy

import matplotlib.pyplot as plt

class ArtificialBeeSwarm:

'''

the class for artificial bee swarm algorithm

'''

def __init__(self, sizepop, vardim, bound, MAXGEN, params):

'''

sizepop: population sizepop

vardim: dimension of variables

bound: boundaries of variables

MAXGEN: termination condition

params: algorithm required parameters, it is a list which is consisting of[trailLimit, C]

'''

self.sizepop = sizepop

self.vardim = vardim

self.bound = bound

self.foodSource = self.sizepop / 2

self.MAXGEN = MAXGEN

self.params = params

self.population = []

self.fitness = np.zeros((self.sizepop, 1))

self.trace = np.zeros((self.MAXGEN, 2))

def initialize(self):

'''

initialize the population of abs

'''

for i in xrange(0, self.foodSource):

ind = ABSIndividual(self.vardim, self.bound)

ind.generate()

self.population.append(ind)

def evaluation(self):

'''

evaluation the fitness of the population

'''

for i in xrange(0, self.foodSource):

self.population[i].calculateFitness()

self.fitness[i] = self.population[i].fitness

def employedBeePhase(self):

'''

employed bee phase

'''

for i in xrange(0, self.foodSource):

k = np.random.random_integers(0, self.vardim - 1)

j = np.random.random_integers(0, self.foodSource - 1)

while j == i:

j = np.random.random_integers(0, self.foodSource - 1)

vi = copy.deepcopy(self.population[i])

# vi.chrom = vi.chrom + np.random.uniform(-1, 1, self.vardim) * (

# vi.chrom - self.population[j].chrom) + np.random.uniform(0.0, self.params[1], self.vardim) * (self.best.chrom - vi.chrom)

# for k in xrange(0, self.vardim):

# if vi.chrom[k] < self.bound[0, k]:

# vi.chrom[k] = self.bound[0, k]

# if vi.chrom[k] > self.bound[1, k]:

# vi.chrom[k] = self.bound[1, k]

vi.chrom[

k] += np.random.uniform(low=-1, high=1.0, size=1) * (vi.chrom[k] - self.population[j].chrom[k])

if vi.chrom[k] < self.bound[0, k]:

vi.chrom[k] = self.bound[0, k]

if vi.chrom[k] > self.bound[1, k]:

vi.chrom[k] = self.bound[1, k]

vi.calculateFitness()

if vi.fitness > self.fitness[fi]:

self.population[fi] = vi

self.fitness[fi] = vi.fitness

if vi.fitness > self.best.fitness:

self.best = vi

vi.calculateFitness()

if vi.fitness > self.fitness[i]:

self.population[i] = vi

self.fitness[i] = vi.fitness

if vi.fitness > self.best.fitness:

self.best = vi

else:

self.population[i].trials += 1

def onlookerBeePhase(self):

'''

onlooker bee phase

'''

accuFitness = np.zeros((self.foodSource, 1))

maxFitness = np.max(self.fitness)

for i in xrange(0, self.foodSource):

accuFitness[i] = 0.9 * self.fitness[i] / maxFitness + 0.1

for i in xrange(0, self.foodSource):

for fi in xrange(0, self.foodSource):

r = random.random()

if r < accuFitness[i]:

k = np.random.random_integers(0, self.vardim - 1)

j = np.random.random_integers(0, self.foodSource - 1)

while j == fi:

j = np.random.random_integers(0, self.foodSource - 1)

vi = copy.deepcopy(self.population[fi])

# vi.chrom = vi.chrom + np.random.uniform(-1, 1, self.vardim) * (

# vi.chrom - self.population[j].chrom) + np.random.uniform(0.0, self.params[1], self.vardim) * (self.best.chrom - vi.chrom)

# for k in xrange(0, self.vardim):

# if vi.chrom[k] < self.bound[0, k]:

# vi.chrom[k] = self.bound[0, k]

# if vi.chrom[k] > self.bound[1, k]:

# vi.chrom[k] = self.bound[1, k]

vi.chrom[

k] += np.random.uniform(low=-1, high=1.0, size=1) * (vi.chrom[k] - self.population[j].chrom[k])

if vi.chrom[k] < self.bound[0, k]:

vi.chrom[k] = self.bound[0, k]

if vi.chrom[k] > self.bound[1, k]:

vi.chrom[k] = self.bound[1, k]

vi.calculateFitness()

if vi.fitness > self.fitness[fi]:

self.population[fi] = vi

self.fitness[fi] = vi.fitness

if vi.fitness > self.best.fitness:

self.best = vi

else:

self.population[fi].trials += 1

break

def scoutBeePhase(self):

'''

scout bee phase

'''

for i in xrange(0, self.foodSource):

if self.population[i].trials > self.params[0]:

self.population[i].generate()

self.population[i].trials = 0

self.population[i].calculateFitness()

self.fitness[i] = self.population[i].fitness

def solve(self):

'''

the evolution process of the abs algorithm

'''

self.t = 0

self.initialize()

self.evaluation()

best = np.max(self.fitness)

bestIndex = np.argmax(self.fitness)

self.best = copy.deepcopy(self.population[bestIndex])

self.avefitness = np.mean(self.fitness)

self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness

self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness

print("Generation %d: optimal function value is: %f; average function value is %f" % (

self.t, self.trace[self.t, 0], self.trace[self.t, 1]))

while self.t < self.MAXGEN - 1:

self.t += 1

self.employedBeePhase()

self.onlookerBeePhase()

self.scoutBeePhase()

best = np.max(self.fitness)

bestIndex = np.argmax(self.fitness)

if best > self.best.fitness:

self.best = copy.deepcopy(self.population[bestIndex])

self.avefitness = np.mean(self.fitness)

self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness

self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness

print("Generation %d: optimal function value is: %f; average function value is %f" % (

self.t, self.trace[self.t, 0], self.trace[self.t, 1]))

print("Optimal function value is: %f; " % self.trace[self.t, 0])

print "Optimal solution is:"

print self.best.chrom

self.printResult()

def printResult(self):

'''

plot the result of abs algorithm

'''

x = np.arange(0, self.MAXGEN)

y1 = self.trace[:, 0]

y2 = self.trace[:, 1]

plt.plot(x, y1, 'r', label='optimal value')

plt.plot(x, y2, 'g', label='average value')

plt.xlabel("Iteration")

plt.ylabel("function value")

plt.title("Artificial Bee Swarm algorithm for function optimization")

plt.legend()

plt.show()

运行程序：

if __name__ == "__main__":

bound = np.tile([[-600], [600]], 25)

abs = ABS(60, 25, bound, 1000, [100, 0.5])

abs.solve()

ObjFunction见简单遗传算法-python实现。

以上就是python实现人工蜂群算法的详细内容，更多关于python 人工蜂群算法的资料请关注易采站长站其它相关文章！以上就是关于对python实现人工蜂群算法的详细介绍。欢迎大家对python实现人工蜂群算法内容提出宝贵意见

人工蜂群算法python_python实现人工蜂群算法相关推荐

  1. 粒子群算法python_python实现粒子群算法

    粒子群算法 粒子群算法源于复杂适应系统(Complex Adaptive System,CAS).CAS理论于1994年正式提出,CAS中的成员称为主体.比如研究鸟群系统,每个鸟在这个系统中就称为主体 ...

  2. 中文分词算法python_python 中文分词——FMM 算法 | 学步园

    FMM import re def PreProcess(sentence,edcode="utf-8"): sentence = sentence.decode(edcode) ...

  3. 【智能优化算法】基于人工蜂群算法求解多目标优化问题附matlab代码

    1 简介 人工蜂群算法(Artificial Bee Colony Algorithm, 简称ABC算法)是一个由蜂群行为启发的算法,在2005年由Karaboga小组为优化代数问题而提出.​ 2 部 ...

  4. 【Python】实现二维装箱Bottom-Left算法及用人工蜂群算法改进

    目录 1 题目 2 装箱算法 2.1 所有装箱算法 2.2 Bottom-Left具体算法过程 3 Python 实现 3.1 main.py主函数 3.2 overlap函数 3.3 finalPo ...

  5. 基于改进人工蜂群算法的K均值聚类算法（附MATLAB版源代码）

    其实一直以来也没有准备在园子里发这样的文章,相对来说,算法改进放在园子里还是会稍稍显得格格不入.但是最近邮箱收到的几封邮件让我觉得有必要通过我的博客把过去做过的东西分享出去更给更多需要的人.从论文刊登 ...

  6. 【智能优化算法-人工蜂鸟算法】基于人工蜂鸟算法求解多目标优化问题附matlab代码MOAHA

    1 内容介绍 在这项工作中提出了一种新的仿生优化算法,称为人工蜂鸟算法(AHA)来解决优化问题. AHA算法模拟自然界中蜂鸟的特殊飞行技能和智能觅食策略.模拟了觅食策略中使用的三种飞行技能,包括轴向. ...

  7. 机器学习算法汇总：人工神经网络、深度学习及其它

    转载自:http://blog.csdn.net/icyzbb/article/details/37883461 学习方式 根据数据类型的不同,对一个问题的建模有不同的方式.在机器学习或者人工智能领域 ...

  8. 人工神经网络有哪些算法,神经网络都有哪些算法

    人工神经网络分类方法 从20世纪80年代末期,人工神经网络方法开始应用于遥感图像的自动分类. 目前,在遥感图像的自动分类方面,应用和研究比较多的人工神经网络方法主要有以下几种:(1)BP(BackPr ...

  9. 神经网络训练算法的调用,人工神经网络训练案例

    1.BP人工神经网络方法 (一)方法原理 人工神经网络是由大量的类似人脑神经元的简单处理单元广泛地相互连接而成的复杂的网络系统.理论和实践表明,在信息处理方面,神经网络方法比传统模式识别方法更具有优势 ...

最新文章

  1. ux的重要性_颜色在UX中的重要性
  2. IBM沃森为存储系统开发人员带来的启发
  3. C++笔记-二维棋盘数组转邻接表（使用QTL）
  4. scala中的特殊字符
  5. 华为云发布 EI 城市智能体
  6. Unity3D游戏开发之GUI
  7. 为什么我们不再购买技术类书籍
  8. angular2+ 中封装调用递归tree
  9. TCP和UDP Socket
  10. 博图只能通过地址相同设备找到plc_很多人想要的博途PLC通讯控制变频器，PN方式，赶快收藏吧...
  11. Java并发编程实战10：线程池
  12. 统一社会信用代码验证
  13. 罗老师算法竞赛专题解析
  14. 三菱FX系列PLC编程口通信协议举例
  15. php 给视频打水印,如何给视频加表情 给视频局部画面加动态图片或水印
  16. super-----this
  17. python group() 和 groups()的区别
  18. 巨坑警告！程序员去银行写代码千万别去分行
  19. 让蔡徐坤来教你实现游戏中的帧动画（下）
  20. Chrome开发者工具Cookie标签里看到的ga cookie是什么意思

热门文章

  1. css：box-shadow实现单边，多边阴影
  2. 我的世界java皮肤展开图,我的世界情侣皮肤，我的世界皮肤展开图做图片
  3. 车间制造管理系统（下）
  4. windows中显示文件后缀名
  5. 快看！如何实现快速赢利--国内期货反跟单
  6. 字节跳动面试真题：Redis为什么快？
  7. 英文版windows 中文软件乱码的解决方案：设置Locale
  8. 烟台理工学校计算机专业,烟台理工学校都有哪些专业
  9. 网页版简单点名系统的实现（HTML5、CSS、JS、jQuery）
  10. 苹果考虑推迟发布5G iPhone