群体智能算法:细菌觅食算法
细菌觅食算法matlab实现
- 前言
- 一、细菌觅食算法原理
- 二、Matlab代码实现
- 1.百度文库上面的代码
- 2.存在的问题
- 1、bounds变量没有用上
- 2、只有2个维度
- 3、生成的图像
- 4、使用for运行改代码产生问题
- 总结
- 1、最终修改的代码
- 2、遗留的问题
- 1、原始代码最终结果的输出
- 2、迭代次数
前言
之前在弄群体智能算法的时候,想弄一下细菌觅食算法的。然后一开始就在网上找这个算法的资料,但是这个算法的资料不太多,唯一找到的比较好的代码是百度文库里面的那个
细菌觅食算法matlab实现但是这个代码虽然可以一次跑通,但是对于我想要的东西是存在问题的(具体是什么后面会说)于是我自己就修改了一下,写这篇博客的目的在于记录,防止后面看到这个代码给忘记了自己怎么修改的,也和大家分享一下。
一、细菌觅食算法原理
这个部分的话,基本都是一些数学描述,这篇博客写的还可以,大家参考一下细菌觅食算法原理
这个也不错的细菌觅食算法原理
二、Matlab代码实现
1.百度文库上面的代码
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%*********************细菌觅食算法**********************
%%%%%%%%%%%%%%%%%%%-----BFA算法-----%%%%%%%%%%%%%%%%%%%
clear;
clc;
%-----(1)初始化参数-----
bounds = [-5.12 5.12;-5.12 5.12]; % 函数变量范围
p = 2; % 搜索范围的维度
s = 26; % 细菌的个数
Nc = 50; % 趋化的次数
Ns = 4; % 趋化操作中单向运动的最大步数
C(:,1) = 0.001*ones(s,1); % 翻转选定方向后,单个细菌前进的步长
Nre = 4; % 复制操作步骤数
Ned = 2; % 驱散(迁移)操作数
Sr = s/2; % 每代复制(分裂)数
Ped = 0.25; % 细菌驱散(迁移)概率
d_attract = 0.05; % 吸引剂的数量
ommiga_attract = 0.05; % 吸引剂的释放速度
h_repellant = 0.05; % 排斥剂的数量
ommiga_repellant = 0.05;% 排斥剂的释放速度
for i = 1:s % 产生初始细菌个体的位置 P(1,i,1,1,1) = -5.12 + rand*10.24;P(2,i,1,1,1) = -5.12 + rand*10.24;
end
%------------------细菌趋药性算法循环开始---------------------
%-----(2)驱散(迁移)操作开始-----
for l = 1:Ned %-----(3)复制操作开始-----for k = 1:Nre %-----(4)趋化操作(翻转或游动)开始-----for j = 1:Nc %-----(4.1)对每一个细菌分别进行以下操作-----for i = 1:s%-----(4.2)计算函数J(i,j,k,l),表示第i个细菌在第l次驱散第k次%----------复制第j次趋化时的适应度值-----J(i,j,k,l) = Cost(P(:,i,j,k,l));%-----(4.3)修改函数,加上其它细菌对其的影响-----Jcc = sum(-d_attract*exp(-ommiga_attract*((P(1,i,j,k,l)-...P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2))) +...sum(h_repellant*exp(-ommiga_repellant*((P(1,i,j,k,l)-...P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2)));J(i,j,k,l) = J(i,j,k,l) + Jcc;%-----(4.4)保存细菌目前的适应度值,直到找到更好的适应度值取代之-----Jlast = J(i,j,k,l);%-----(4.5)翻转,产生一个随机向量C(i),代表翻转后细菌的方向-----Delta(:,i) = (2*round(rand(p,1))-1).*rand(p,1);% PHI表示翻转后选择的一个随机方向上前进PHI = Delta(:,i)/sqrt(Delta(:,i)'*Delta(:,i));%-----(4.6)移动,向着翻转后细菌的方向移动一个步长,并且改变细菌的位置-----P(:,i,j+1,k,l) = P(:,i,j,k,l) + C(i,k)*PHI;%-----(4.7)计算细菌当前位置的适应度值-----J(i,j+1,k,l) = Cost(P(:,i,j+1,k,l));%-----(4.8)游动-----m = 0; % 给游动长度计数器赋初始值while(m < Ns) % 未达到游动的最大长度,则循环m = m + 1;% 新位置的适应度值是否更好?如果更好,将新位置的适应度值% 存储为细菌i目前最好的适应度值if(J(i,j+1,k,l) < Jlast)Jlast = J(i,j+1,k,l); %保存更好的适应度值% 在该随机方向上继续游动步长单位,修改细菌位置P(:,i,j+1,k,l) = P(:,i,j+1,k,l) + C(i,k)*PHI;% 重新计算新位置上的适应度值J(i,j+1,k,l) = Cost(P(:,i,j+1,k,l));else% 否则,结束此次游动m = Ns;endendJ(i,j,k,l) = Jlast; % 更新趋化操作后的适应度值end % 如果i<N,进入下一个细菌的趋化,i=i+1%-----(5)如果j<Nc,此时细菌还处于活跃状态,进行下一次趋化,j=j+1-----Jlastx = P(1,:,j,k,l);y = P(2,:,j,k,l);clf plot(x,y,'h') % h表示以六角星绘图axis([-5 5 -5 5]); % 设置图的坐标图pause(.1) % 暂停0.1秒后继续end%----------------下面进行复制操作----------------%-----(6)复制-----%-----(6.1)根据所给的k和l的值,将每个细菌的适应度值按升序排序-----Jhealth = sum(J(:,:,k,l),2); % 给每个细菌设置健康函数值[Jhealth,sortind] = sort(Jhealth); % 按健康函数值升序排列函数P(:,:,1,k+1,l) = P(:,sortind,Nc+1,k,l);C(:,k+1) = C(sortind,k);%-----(6.2)将代价小的一半细菌分裂成两个,代价大的一半细菌死亡-----for i = 1:Sr% 健康值较差的Sr个细菌死去,Sr个细菌分裂成两个子细菌,保持个体总数的s一致性P(:,i+Sr,1,k+1,l) = P(:,i,1,k+1,l);C(i+Sr,k+1) = C(i,k+1);end%-----(7)如果k<Nre,转到(3),进行下一代细菌的趋化-----end%-----(8)趋散,对于每个细菌都以Ped的概率进行驱散,但是驱散的细菌群体的总数%--------保持不变,一个细菌被驱散后,将被随机重新放置到一个新的位置-----for m = 1:s% 产生随机数,如果既定概率大于该随机数,细菌i灭亡,随机产生新的细菌iif(Ped > rand) P(1,m,1,1,1) = -5.12 + rand*10.24;P(2,m,1,1,1) = -5.12 + rand*10.24;elseP(:,m,1,1,l+1) = P(:,m,1,Nre+1,l); % 未驱散的细菌endendend % 如果l<Ned,转到(2),否则结束%-------------------------报告----------------------
reproduction = J(:,1:Nc,Nre,Ned);
% 每个细菌最小的适应度值
[Jlastreproduction,O] = min(reproduction,[],2);
[BestY,I] = min(Jlastreproduction)
Pbest = P(:,I,O(I,:),k,l)% 求解Shaffer's函数的最小值
% Shaffer's函数表示如下:
% f(x)=0.5+(sin(sqrt(x1^2+x2^2))^2-0.5)/(1.0+0.001(x1^2+x2^2))^2
function cost = Cost(x)
cost = 0.5 + (sin(sqrt(x(1)^2+x(2)^2))^2-0.5)/(1.0+0.001*(x(1)^2+x(2)^2))^2;
2.存在的问题
1、bounds变量没有用上
bounds变量本来是用来确定细菌坐标取值范围的一个值,但是却只是形式主义的表明了一下而已。于是我写了一个函数,传入bounds,来自动生成这个范围内的随机值用于初始化细菌坐标
% 这个函数生成范围从-limit~limit的随机值
function value = Generate_Coordinate(limit)
value = limit*(2*(rand-1/2));
end
于是原来的代码就可以变为如下所示
bounds = 50; % 函数变量范围-bounds~bounds
%------------------中间省去n行-----------%
for i = 1:s % 产生初始细菌个体的位置 P(1,i,1,1,1) = Generate_Coordinate(bounds);P(2,i,1,1,1) = Generate_Coordinate(bounds);
end
2、只有2个维度
一开始我run的时候,修改了dim的值,然后就matlab就报错,说是矩阵维度不一致不能操作,错误下面这一行
P(:,i,j+1,k,l) = P(:,i,j+1,k,l) + C(i,k)*PHI;
看来要么是P的问题,要么是C或者PHI的问题,自习看代码,发现C(i,k)只是一个常数,而PHI的生成涉及到了dim,应该是对的。PHI的生成代码如下所示
%-----(4.5)翻转,产生一个随机向量C(i),代表翻转后细菌的方向-----
Delta(:,i) = (2*round(rand(dim,1))-1).*rand(dim,1);
% PHI表示翻转后选择的一个随机方向上前进
PHI = Delta(:,i)/sqrt(Delta(:,i)'*Delta(:,i));
然后把目光放在P上,发现P的生成存在问题
for i = 1:s % 产生初始细菌个体的位置 P(1,i,1,1,1) = Generate_Coordinate(bounds);P(2,i,1,1,1) = Generate_Coordinate(bounds);
end
这TM emmmm
只有两个维度啊,不行,得把它搞成dim个维度
修改如下
for i = 1:s % 产生初始细菌个体的位置 for j = 1:dimP(j,i,1,1,1) = Generate_Coordinate(bounds);end
end
3、生成的图像
我的目的是生成该算法对测试函数的收敛图像,就是那种横坐标是迭代次数,纵坐标是每次找到的最优质值。如下所示
但是原本的算法图像显示细菌坐标的变化。和我的目的不相符,改他!修改如下
%-----result数组用于绘制图像------
result=[];
%----------中间省去n行----------result(end+1) = Jlast;
%x = P(1,:,j,k,l);
% y = P(2,:,j,k,l);
% clf
% plot(x,y,'h') % h表示以六角星绘图
% axis([-5 5 -5 5]); % 设置图的坐标图
% pause(.1) % 暂停0.1秒后继续
%----------中间省去n行----------
figure('name', '迭代曲线');
plot(result);
4、使用for运行改代码产生问题
可能是我的水平比较菜for循环的位置加错了,或者是电脑内存的问题,一开始我使用一个for循环嵌套,让这个算法运行10次,然后去10次结果的平均值和标准差,但是发现一个奇怪的现象,只有第一次运行的结果是正常的,其他9次,都不正常。于是我直接每次清空所有的与算法有关的变量,只保留和循环有关的变量,这下终于正常了。代码修改如下
avg=ones(1, 10);
for z=1:10
clearvars -except avg z
%----------中间省去n行----------
avg(z) = min(result);
% figure('name', '迭代曲线');
% plot(result);
end
avg
mean=mean(avg)
std=std(avg)
%----------下面省去n行----------
总结
1、最终修改的代码
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%*********************细菌觅食算法**********************
%%%%%%%%%%%%%%%%%%%-----BFA算法-----%%%%%%%%%%%%%%%%%%%
avg=ones(1, 10);
for z=1:10
clearvars -except avg z
%-----result数组用于绘制图像------
result=[];
%-----(1)初始化参数-----
bounds = 50; % 函数变量范围-bounds~bounds
dim = 30; % 搜索范围的维度
s = 26; % 细菌的个数
Nc = 2500; % 趋化的次数
Ns = 4; % 趋化操作中单向运动的最大步数
C(:,1) = 0.001*ones(s,1); % 翻转选定方向后,单个细菌前进的步长
Nre = 4; % 复制操作步骤数
Ned = 2; % 驱散(迁移)操作数
Sr = s/2; % 每代复制(分裂)数
Ped = 0.25; % 细菌驱散(迁移)概率
d_attract = 0.05; % 吸引剂的数量
ommiga_attract = 0.05; % 吸引剂的释放速度
h_repellant = 0.05; % 排斥剂的数量
ommiga_repellant = 0.05;% 排斥剂的释放速度for i = 1:s % 产生初始细菌个体的位置 for j = 1:dimP(j,i,1,1,1) = Generate_Coordinate(bounds);end
end
%------------------细菌趋药性算法循环开始---------------------
%-----(2)驱散(迁移)操作开始-----
for l = 1:Ned %-----(3)复制操作开始-----for k = 1:Nre %-----(4)趋化操作(翻转或游动)开始-----for j = 1:Nc %-----(4.1)对每一个细菌分别进行以下操作-----for i = 1:s%-----(4.2)计算函数J(i,j,k,l),表示第i个细菌在第l次驱散第k次%----------复制第j次趋化时的适应度值-----J(i,j,k,l) = Fit_Fun(P(:,i,j,k,l));%-----(4.3)修改函数,加上其它细菌对其的影响-----Jcc = sum(-d_attract*exp(-ommiga_attract*((P(1,i,j,k,l)-...P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2))) +...sum(h_repellant*exp(-ommiga_repellant*((P(1,i,j,k,l)-...P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2)));J(i,j,k,l) = J(i,j,k,l) + Jcc;%-----(4.4)保存细菌目前的适应度值,直到找到更好的适应度值取代之-----Jlast = J(i,j,k,l);%-----(4.5)翻转,产生一个随机向量C(i),代表翻转后细菌的方向-----Delta(:,i) = (2*round(rand(dim,1))-1).*rand(dim,1);% PHI表示翻转后选择的一个随机方向上前进PHI = Delta(:,i)/sqrt(Delta(:,i)'*Delta(:,i));%-----(4.6)移动,向着翻转后细菌的方向移动一个步长,并且改变细菌的位置-----P(:,i,j+1,k,l) = P(:,i,j,k,l) + C(i,k)*PHI;%-----(4.7)计算细菌当前位置的适应度值-----J(i,j+1,k,l) = Fit_Fun(P(:,i,j+1,k,l));%-----(4.8)游动-----m = 0; % 给游动长度计数器赋初始值while(m < Ns) % 未达到游动的最大长度,则循环m = m + 1;% 新位置的适应度值是否更好?如果更好,将新位置的适应度值% 存储为细菌i目前最好的适应度值if(J(i,j+1,k,l) < Jlast)Jlast = J(i,j+1,k,l); %保存更好的适应度值% 在该随机方向上继续游动步长单位,修改细菌位置P(:,i,j+1,k,l) = P(:,i,j+1,k,l) + C(i,k)*PHI;% 重新计算新位置上的适应度值J(i,j+1,k,l) = Fit_Fun(P(:,i,j+1,k,l));else% 否则,结束此次游动m = Ns;endendJ(i,j,k,l) = Jlast; % 更新趋化操作后的适应度值end % 如果i<N,进入下一个细菌的趋化,i=i+1%-----(5)如果j<Nc,此时细菌还处于活跃状态,进行下一次趋化,j=j+1-----result(end+1) = Jlast;x = P(1,:,j,k,l);y = P(2,:,j,k,l);
% clf
% plot(x,y,'h') % h表示以六角星绘图
% axis([-5 5 -5 5]); % 设置图的坐标图
% pause(.1) % 暂停0.1秒后继续end%----------------下面进行复制操作----------------%-----(6)复制-----%-----(6.1)根据所给的k和l的值,将每个细菌的适应度值按升序排序-----Jhealth = sum(J(:,:,k,l),2); % 给每个细菌设置健康函数值[Jhealth,sortind] = sort(Jhealth); % 按健康函数值升序排列函数P(:,:,1,k+1,l) = P(:,sortind,Nc+1,k,l);C(:,k+1) = C(sortind,k);%-----(6.2)将代价小的一半细菌分裂成两个,代价大的一半细菌死亡-----for i = 1:Sr% 健康值较差的Sr个细菌死去,Sr个细菌分裂成两个子细菌,保持个体总数的s一致性P(:,i+Sr,1,k+1,l) = P(:,i,1,k+1,l);C(i+Sr,k+1) = C(i,k+1);end%-----(7)如果k<Nre,转到(3),进行下一代细菌的趋化-----end%-----(8)趋散,对于每个细菌都以Ped的概率进行驱散,但是驱散的细菌群体的总数%--------保持不变,一个细菌被驱散后,将被随机重新放置到一个新的位置-----for m = 1:s% 产生随机数,如果既定概率大于该随机数,细菌i灭亡,随机产生新的细菌iif(Ped > rand) P(1,m,1,1,1) = Generate_Coordinate(bounds);P(2,m,1,1,1) = Generate_Coordinate(bounds);elseP(:,m,1,1,l+1) = P(:,m,1,Nre+1,l); % 未驱散的细菌endendend % 如果l<Ned,转到(2),否则结束%-------------------------报告----------------------
reproduction = J(:,1:Nc,Nre,Ned);
% 每个细菌最小的适应度值
[Jlastreproduction,O] = min(reproduction,[],2);
[BestY,I] = min(Jlastreproduction);
Pbest = P(:,I,O(I,:),k,l);
avg(z) = min(result);
% figure('name', '迭代曲线');
% plot(result);
end
avg
mean=mean(avg)
std=std(avg)
% 这个函数生成范围从-limit~limit的随机值
function value = Generate_Coordinate(limit)
value = limit*(2*(rand-1/2));
endfunction fun = Fit_Fun(x)
dim=30;
fun=.1*((sin(3*pi*x(1)))^2+sum((x(1:dim-1)-1).^2.*(1+(sin(3.*pi.*x(2:dim))).^2))+...
((x(dim)-1)^2)*(1+(sin(2*pi*x(dim)))^2))+sum(Ufun(x,5,100,4));
end
function o=Ufun(x,a,k,m)
o=k.*((x-a).^m).*(x>a)+k.*((-x-a).^m).*(x<(-a));
end
% 求解Shaffer's函数的最小值
% Shaffer's函数表示如下:
% f(x)=0.5+(sin(sqrt(x1^2+x2^2))^2-0.5)/(1.0+0.001(x1^2+x2^2))^2
% function fun = Fit_Fun(x)
% fun = 0.5 + (sin(sqrt(x(1)^2+x(2)^2))^2-0.5)/(1.0+0.001*(x(1)^2+x(2)^2))^2;
% end
关于这个代码还有一点需要说明,这个里面的测试函数,维度,取值范围,是我按照测试函数要求的,大家套皮的时候,需要自己按照测试函数的要求修改的哈。
2、遗留的问题
1、原始代码最终结果的输出
这个代码其实我并没有完全弄懂,就比如,最后面的report的东西,我就不太明白,[Jlastreproduction,O]的输出不太懂;I是什么不太懂;一开始我以为BestY和result中的min是相同的,结果并不是。至于Pbest,我感觉这个应该是最佳适应度的坐标。
2、迭代次数
使用我的代码最终生成的图像的迭代次数是Nc(趋化的次数)的8倍,我猜迭代次数可能和其他一些参数有关系,不过我也没有费劲去尝试了,希望看到这篇的文章的小伙伴有兴趣试试看。
群体智能算法:细菌觅食算法相关推荐
- 基于matlab的捕食算法,【优化求解】基于matlab细菌觅食算法的函数优化分析【含Matlab源码 217期】...
一.简介 实际生活需求促进了最优化方法的发展.近半个多世纪以来,由于传统优化方法的不足,一些具有全局优化性能且通用性强的进化算法,因其高效的优化性能.无需问题精确描述信息等优点,受到各领域广泛的关注和 ...
- 细菌觅食算法(Bacterial Foraging Optimization)
文章目录 细菌觅食算法 1.简介 2.思想 总结 细菌觅食算法 1.简介 细菌觅食算法(Bacterial Foraging Optimization,BFO)在2002年,被K.M.Passino在 ...
- 细菌觅食算法(Bacteria Foraging Algorithm,BFA)
细菌觅食算法是仿生优化算法的一种,它由K.M.Passino于2002年提出.算法模拟Ecoli大肠杆菌在人体肠道内搜寻营养丰富区域的行为.该算法的优点是易于跳出局部最小点,缺点是收敛速度不够快. 细 ...
- 细菌觅食算法BFOA
细菌觅食算法(Bacterial foraging Optimization algorithm,BFOA)是模拟大肠杆菌在人体肠道内觅食时所表现出来的智能行为而提出的一类智能优化算法,由K.M.Pa ...
- Java实现细菌觅食算法_细菌觅食算法-python实现
1 importnumpy as np2 from BFOIndividual importBFOIndividual3 importrandom4 importcopy5 importmatplot ...
- 群体智能优化算法之萤火虫算法(Firefly Algorithm,FA)
获取更多资讯,赶快关注上面的公众号吧! 文章目录 第八章 萤火虫算法 8.1 介绍 8.2 天然萤火虫的行为 8.3 萤火虫算法 8.4 萤火虫算法改进 参考文献 第八章 萤火虫算法 8.1 介绍 萤 ...
- 进化算法——其他进化算法
目录 禁忌搜索 人工鱼群算法 群搜索优化器 混合蛙跳算法 萤火虫算法 细菌觅食优化 人工蜂群算法 引力搜索算法 和声搜索 基于教学的优化 禁忌搜索 禁忌搜索,Tabu,或taboo,意味着禁止或不许可 ...
- 群体智能优化算法之细菌觅食优化算法(Bacterial Foraging Optimization Algorithm,BFOA)
获取更多资讯,赶快关注上面的公众号吧! 文章目录 第十四章 细菌觅食优化算法 14.1 介绍 14.2 BFOA的基本原理与流程 14.2.1 趋向性操作 14.2.2 复制操作 14.2.3 迁徙操 ...
- 种群优化算法:细菌觅食优化
细菌觅食优化(BFO)算法是一种引人入胜的优化技术,可在极其复杂或不可能的数值函数里找到最大化/最小化问题得近似解. 该算法被广泛认为应对分布式优化和控制的全局优化算法. BFO 的灵感来自大肠杆菌的 ...
- 智能优化算法:海鸥算法原理及Matlab代码
智能优化算法:海鸥算法原理及Matlab代码 文章导航 1. 算法原理 2. SOA算法流程 2.1 迁徙行为(exploration ability) 2.2 攻击行为(exploitation a ...
最新文章
- 2015年的ResNet潜力都挖掘出来了吗?新研究:不用蒸馏、无额外数据,性能还能涨一波...
- Synchronize锁粒度
- yii mysql_Yii2框架操作数据库的方法分析【以mysql为例】
- 别把“运气”当“实力”
- 一个神奇的数字货币,终结了南非小哥每天步行20公里的烦恼
- Linux系统--Linux进程与作业管理(2)
- ToolsOh第7批收录
- 谷歌退出中国是N败俱伤
- 华硕ac68u最佳设置_华硕AC68U路由器APP远程控制设置教程
- android - DeviceOwner: Trying to set device owner but device is already provisioned
- 简单易学的win10安装教程,值得收藏
- CCF201609-3 炉石传说 (100分)
- 生信工作流框架搭建 | 02-nextflow 实战
- Three.js加载外部模型骨骼动画
- 一元二次方程虚根求法java_java怎么求一元二次方程虚根,虚根i怎么定义啊。
- 数据结构:线性链表的c语言实现
- Python绘制可爱的万圣节南瓜怪,不给糖果就捣乱,
- Echarts之折线图
- 赤城新千禧计算机学校,2021世界记忆大师新评定标准及新千禧标准公布
- 2019-3-9-通过-frp-开启服务器打开本地的-ZeroNet-服务器外网访问