[Optimización] Análisis de optimización de funciones basado en el algoritmo de forrajeo bacteriano de Matlab [incluido el código fuente 217 de Matlab]

1. Introducción

Las necesidades de la vida real promueven el desarrollo de métodos de optimización. Durante más de medio siglo, debido a las deficiencias de los métodos de optimización tradicionales, algunos algoritmos evolutivos con un rendimiento de optimización global y una gran versatilidad han recibido una gran atención y aplicaciones en varios campos debido a su rendimiento de optimización eficiente y sin necesidad de una descripción precisa de los problemas. . El algoritmo evolutivo más antiguo y representativo es el algoritmo genético (GA) derivado de la teoría de la selección natural de Darwin y la teoría de la variación genética mendeliana en la década de 1970. En los últimos años, la gente ha producido una serie de algoritmos de optimización inteligente basados en el comportamiento de organismos naturales. Por ejemplo, Dorigo et al. Propusieron la optimización de colonias de hormigas (ACO) en 1991 simulando el comportamiento de búsqueda de caminos de las hormigas; Eberhart y Kennedy adoptó En 1995, se propuso la optimización de enjambres de partículas (PSO) para simular el comportamiento de depredación de las aves. Estos algoritmos se utilizan ampliamente en el campo de la ingeniería y han logrado resultados notables. Con el vigoroso desarrollo de los algoritmos de optimización de la inteligencia de enjambre, Passino propuso un algoritmo de optimización de búsqueda de bacterias (BFOA) en 2002 que simula el comportamiento de búsqueda de la E. coli humana, agregando un nuevo miembro a la familia de algoritmos evolutivos biomiméticos. Este capítulo se centrará en presentar el algoritmo de búsqueda de bacterias más básico a la mayoría de los entusiastas de la programación.Cada investigador de programación puede mejorar el algoritmo de este capítulo y aplicarlo a casos reales.
1 Algoritmo estándar de optimización del forrajeo bacteriano
Inserte la descripción de la imagen aquí
2 Operación de quimiotaxis

3 Operación de enjambre

4 Operación de reproducción

5 Eliminación y dispersión
El área local donde las bacterias viven en el entorno real pueden ocurrir Cambios graduales (como el agotamiento de los alimentos) o cambios repentinos (como un aumento repentino de la temperatura ). Esto puede hacer que las poblaciones bacterianas que viven en esta área local migren a una nueva área o sean asesinadas colectivamente por fuerzas externas. La simulación de este fenómeno en el algoritmo BFO se denomina operación migratoria.
6 flujo del algoritmo BFO
Inserte la descripción de la imagen aquí

En segundo lugar, el código fuente

%%%%%%%%%%%%-----BF0算法-----%%%%%%%%%%%%%%%
clc; clear;  close all
warning off
feature jit off  % 加速代码执行
%-----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
%---- 驱散(迁移)操作开始
for l = 1:Ned
	%-----复制操作开始
    for k = 1:Nre
        %-----趋化操作(翻转或游动)开始
        for j = 1:Nc
            %-----对每一个细菌分别进行以下操作
            for i = 1:s
                %-----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) = fitness(P(:,i,j,k,l));
                %-----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;
                %----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);
                %-----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));
                %-----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;
                %-----计算细菌当前位置的适应度值
                J(i,j+1,k,l) = fitness(P(:,i,j+1,k,l));
                %-----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) = fitness(P(:,i,j+1,k,l));
                    else
                        % 否则，结束此次游动
                        m = Ns;
                    end
                end

Tres, resultados en ejecución

Inserte la descripción de la imagen aquí

Cuatro, comentarios

[Solución de optimización] Optimización de la señal de tráfico urbano basada en el algoritmo genético mejorado IGA de matalb [incluido el código fuente 215 de Matlab]
[Solución de optimización] Optimización de la función de optimización de enjambres de partículas basada en la función de penalización de Matlab [incluido el código fuente 216 de Matlab]