[最適化] matlab細菌採餌アルゴリズムに基づく関数最適化分析[Matlabソースコード217を含む]

1.はじめに

現実のニーズは、最適化手法の開発を促進します。従来の最適化手法の欠点により、半世紀以上にわたり、大域的最適化性能と強力な汎用性を備えたいくつかの進化的アルゴリズムは、効率的な最適化性能と問題の正確な説明の必要性がないため、さまざまな分野で幅広い注目とアプリケーションを獲得してきました。。最も初期の最も代表的な進化的アルゴリズムは、1970年代のダーウィンの自然淘汰理論とメンデルの遺伝的変動理論から派生した遺伝的アルゴリズム（GA）です。近年、人々は自然生物の行動に基づいた一連のインテリジェントな最適化アルゴリズムを作成しました。たとえば、Dorigo et al。は、アリの経路探索行動をシミュレートすることにより、1991年にアリコロニー最適化（ACO）を提案しました。ケネディが採用1995年に、鳥の捕食行動をシミュレートするために粒子群最適化（PSO）が提案されました。これらのアルゴリズムはエンジニアリング分野で広く使用されており、目覚ましい成果を上げています。群知能最適化アルゴリズムの活発な開発に伴い、Passinoは2002年に、ヒト大腸菌の採餌行動をシミュレートする細菌採餌最適化アルゴリズム（BFOA）を提案し、生物模倣進化的アルゴリズムのファミリーに新しいメンバーを追加しました。この章では、プログラミング愛好家の大多数に最も基本的なバクテリア採餌アルゴリズムを紹介することに焦点を当てます。各プログラミング研究者は、この章のアルゴリズムを改善して、実際のケースに適用できます。
1標準的なバクテリア採餌最適化アルゴリズム
ここに画像の説明を挿入
2走化性操作

3スウォーミング操作

4繁殖操作

5除去と分散
実際の環境でバクテリアが生息する地域は、段階的な変化（食物の枯渇など）または突然の変化（急激な温度上昇など）が発生する可能性があります）。これにより、この地域に住む細菌集団が新しい地域に移動したり、外力によって集団的に殺されたりする可能性があります。BFOアルゴリズムでこの現象をシミュレートすることを、移行操作と呼びます。
6BFOアルゴリズムフロー
ここに画像の説明を挿入

第二に、ソースコード

%%%%%%%%%%%%-----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

3、実行中の結果

ここに画像の説明を挿入

四、備考

[最適化ソリューション] matalb改良遺伝的アルゴリズムIGAに基づく都市交通信号の最適化[Matlabソースコード215を含む]
[最適化ソリューション] Matlabペナルティ関数ベースの粒子群最適化関数の最適化[Matlabソースコード216を含む]