文章目录
狼群算法
%% 清空环境
clc
clear all
close all
%% 数据初始化
%下载数据
load HeightData
% HeightData=HeightData';
%网格划分
LevelGrid=10;
PortGrid=21;
%起点终点网格点
starty=6;starth=1;
endy=8;endh=21;
m=1;
%算法参数
PopNumber=10; %种群个数
BestFitness=[]; %最佳个体
iter=100;
%初始信息素
pheromone=ones(21,21,21);
dim=PortGrid*2;
Max_iter=100;
ub=PortGrid;
lb=1;
% initialize alpha, beta, and delta_pos
Alpha_pos=zeros(1,dim);
Alpha_score=inf; %change this to -inf for maximization problems
Beta_pos=zeros(1,dim);
Beta_score=inf; %change this to -inf for maximization problems
Delta_pos=zeros(1,dim);
Delta_score=inf; %change this to -inf for maximization problems
%Initialize the path of search agents
Convergence_curve=zeros(1,Max_iter);
l=0;% Loop counter
%% 初始搜索路径
[path,pheromone]=searchpath(PopNumber,LevelGrid,PortGrid,pheromone, ...
HeightData,starty,starth,endy,endh);
fitness=CacuFit(path); %适应度计算
[bestfitness,bestindex]=min(fitness); %最佳适应度
bestpath=path(bestindex,:); %最佳路径
BestFitness=[BestFitness;bestfitness]; %适应度值记录
l=0;% Loop counter
% Main loop
while l<Max_iter
for i=1:size(path,1)
% Return back the search agents that go beyond the boundaries of the search space
Flag4ub=path(i,:)>ub;
Flag4lb=path(i,:)<lb;
path(i,:)=round((path(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb);
% Calculate objective function for each search agent
fitness=CacuFit(path(i,:));
% Update Alpha, Beta, and Delta
if fitness<Alpha_score
Alpha_score=fitness; % Update alpha
Alpha_pos=path(i,:);
end
if fitness>Alpha_score && fitness<Beta_score
Beta_score=fitness; % Update beta
Beta_pos=path(i,:);
end
end
粒子群算法
求函数 [公式] 的最小值
求函数 [公式] 的最小值，其中x的取值范围是[-4,4]，y的取值范围是[-4,4]。这是一个有多个局部极值的函数。函数图形如图：
clear all;
close all;
clc;
x=-4:0.02:4;
y=-4:0.02:4;
N=size(x,2);
for i=1:N
for j=1:N
z(i,j)=3*cos(x(i)*y(j))+x(i)+y(j)*y(j);
end
end
mesh(x,y,z)
xlabel('x')
ylabel('y')
clear all;
close all;
clc;
N=100; %群体粒子个数
D=2; %粒子维数
T=200; %最大迭代次数
c1=1.5; %学习因子1
c2=1.5; %学习因子2
Wmax=0.8; %惯性权重最大值
Wmin=0.4; %惯性权重最小值
Xmax=4; %位置最大值
Xmin=-4; %位置最小值
Vmax=1; %速度最大值
Vmin=-1; %速度最小值
%初始化个体
x=rand(N,D)*(Xmax-Xmin)+Xmin;
v=rand(N,D)*(Vmax-Vmin)+Vmin;
%初始化个体最优位置和最优值
p=x;
pbest=ones(1,D);
for i=1:N
pbest(i)=func2(x(i,:));
end
%初始化全局最优位置和最优值
g=ones(1,D);
gbest=inf;
for i=1:N
if (pbest(i)<gbest)
g=p(i,:);
gbest=pbest(i);
end
end
gb=ones(1,T);
%按照公式依次迭代直到满足精度或者迭代次数
for i=1:T
for j=1:N
%更新个体最优位置和最优值
if (func2(x(j,:))<pbest(j))
p(j,:)=x(j,:);
pbest(j)=func2(x(j,:));
end
%更新全局最优位置和最优值
if (pbest(j)<gbest)
g=p(j,:);
gbest=pbest(j);
end
%计算动态惯性权重值
w=Wmax-(Wmax-Wmin)*i/T;
%更新位置和速度
v(j,:)=w*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));
x(j,:)=x(j,:)+v(j,:);
%边界条件处理
for ii=1:D
if (v(j,ii)<Vmin)||(v(j,ii)>Vmax)
v(j,ii)=rand*(Vmax-Vmin)+Vmin;
end
if (x(j,ii)<Xmin)||(x(j,ii)>Xmax)
x(j,ii)=rand*(Xmax-Xmin)+Xmin;
end
end
end
gb(i)=gbest;
end
g;%最优个体
gb(end);%最优值
figure
plot(gb)
xlabel('迭代次数')
ylabel('适应度值')
title('适应度进化曲线')
%适应度函数
function value=func2(x)
value=3*cos(x(1)*x(2))+x(1)+x(2)^2;
end
0-1背包问题
有N件物品和容积为V的包，第i件物品的容积是c(i),价值是w(i)，求将这些物品放入包中，使物体的总容积不超过背包容积，且总价值和最大。假设物品数量为10，背包容量为300.每件物品的体积为[95,75,23,73,50,22,6,57,89,98];价值为[89,59,19,43,100,72,44,16,7,64];
解：
clear all;
close all;
clc;
N=100; %群体粒子个数
D=10; %粒子维数
T=200; %最大迭代次数
c1=1.5; %学习因子1
c2=1.5; %学习因子2
Wmax=0.8; %惯性权重最大值
Wmin=0.4; %惯性权重最小值
Vmax=10; %速度最大值
Vmin=-10; %速度最小值
V=300; %背包容量
C=[95,75,23,73,50,22,6,57,89,98]; %物品体积
W=[89,59,19,43,100,72,44,16,7,64]; %物品价值
afa=2; %惩罚函数系数
%初始化个体
x=randi([0,1],N,D);
v=rand(N,D)*(Vmax-Vmin)+Vmin;
%初始化个体最优位置和最优值
p=x;
pbest=ones(N,1);
for i=1:N
pbest(i)=func4(x(i,:),C,W,V,afa);
end
%初始化全局最优位置和最优值
g=ones(1,D);
gbest=eps;
for i=1:N
if (pbest(i)>gbest)
g=p(i,:);
gbest=pbest(i);
end
end
gb=ones(1,T);
%按照公式依次迭代直到满足精度或者迭代次数
for i=1:T
for j=1:N
%更新个体最优位置和最优值
if (func4(x(j,:),C,W,V,afa)>pbest(j))
p(j,:)=x(j,:);
pbest(j)=func4(x(j,:),C,W,V,afa);
end
%更新全局最优位置和最优值
if (pbest(j)>gbest)
g=p(j,:);
gbest=pbest(j);
end
%计算动态惯性权重值
w=Wmax-(Wmax-Wmin)*i/T;
%更新位置和速度
v(j,:)=w*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));
%边界条件处理
for ii=1:D
if (v(j,ii)<Vmin)||(v(j,ii)>Vmax)
v(j,ii)=rand*(Vmax-Vmin)+Vmin;
end
end
vx(j,:)=1./(1+exp(-v(j,:)));
for jj=1:D
if vx(j,jj)>rand
x(j,jj)=1;
else
x(j,jj)=0;
end
end
end
gb(i)=gbest;
end
g;%最优个体
figure
plot(gb)
xlabel('迭代次数')
ylabel('适应度值')
title('适应度变化曲线')
%适应度函数
function result=func4(f,C,W,V,afa)
fit=sum(f.*W);
TotalSize=sum(f.*C);
if TotalSize<=V
fit=fit;
else
fit=fit-afa*(TotalSize-V);
end
result=fit;
end