[Оптимизация] Анализ оптимизации функций на основе алгоритма сбора бактерий Matlab [включая исходный код Matlab 217]

1. Введение

Реальные жизненные потребности способствуют развитию методов оптимизации. На протяжении более чем полувека из-за недостатков традиционных методов оптимизации некоторые эволюционные алгоритмы с производительностью глобальной оптимизации и высокой универсальностью привлекали к себе внимание и находили применение в различных областях из-за их эффективных характеристик оптимизации и отсутствия необходимости в точном описании проблем. . Самый ранний и наиболее представительный эволюционный алгоритм - это генетический алгоритм (ГА), полученный из теории естественного отбора Дарвина и теории генетической изменчивости Менделя в 1970-х годах. В последние годы люди разработали серию интеллектуальных алгоритмов оптимизации, основанных на поведении естественных организмов. Например, Дориго и др. Предложили Оптимизацию колоний муравьев (ACO) в 1991 году, моделируя поведение муравьев при поиске пути; Эберхарт и др. Кеннеди принял В 1995 г. была предложена оптимизация роя частиц (PSO) для моделирования хищного поведения птиц. Эти алгоритмы широко используются в инженерной области и достигли замечательных результатов. С энергичной разработкой алгоритмов оптимизации интеллекта роя Пассино в 2002 году предложил алгоритм оптимизации сбора бактерий (BFOA), который имитирует кормодобывающее поведение человека E. coli, добавив нового члена к семейству биомиметических эволюционных алгоритмов. В этой главе основное внимание будет уделено представлению большинства энтузиастов программирования простейшего алгоритма сбора бактерий.Каждый исследователь программирования может улучшить алгоритм, описанный в этой главе, и применить его к реальным случаям.
1 Стандартный алгоритм оптимизации поиска пищи бактериями
Вставьте описание изображения сюда
2 Операция хемотаксиса

3 Операция роения

4 Операция размножения

5 Устранение и рассредоточение Места,
где бактерии живут в реальной среде, могут происходить Постепенные изменения (например, истощение пищи) или внезапные изменения (например, внезапное повышение температуры ). Это может привести к миграции бактериальных популяций, живущих в этом районе, в новые районы или их коллективному уничтожению под воздействием внешних сил. Моделирование этого явления в алгоритме BFO называется миграционной операцией.
6 поток алгоритма BFO
Вставьте описание изображения сюда

Во-вторых, исходный код

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

Три, результаты бега

Вставьте описание изображения сюда

Четыре, примечания

[Оптимизационное решение] Оптимизация сигналов городского движения на основе улучшенного генетического алгоритма Matalb IGA [включая исходный код Matlab 215]
[Оптимизационное решение] Оптимизация функции роя частиц на основе штрафной функции Matlab [включая исходный код Matlab 216]