【优化求解】基于蝙蝠算法求解最优目标matlab源码
作者:互联网
1 模型
蝙蝠算法( BA) 是 Yang 教授于 2010 年基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。该算法是一种基于迭代的优化技术,初始化为一组随机解,然后 通过迭代搜寻最优解,且在最优解周围通过随机飞行产生局部新解,加强了局部搜索。与其他算法相比,BA 在准确性和有效性方面远优于其他算法,且没有许多参数要进行调整。
2 部分代码
%% Bat Algorithm For Sphere Function %%
%% 开始 %%
clear;clc;
close all;
%% 初始化参数 %%
Iter=1;%初始迭代次数
Iter_Max=50;%最大迭代次数
Dim=2;%问题的维度
Pop_Size=30;%种群大小
Loud_Min=0;%响度最小值
Alpha=0.95;%响度控制参数
Gama=0.95;%脉冲发射率控制参数
Freq_Min=0;Freq_Max=2;%频率范围
V_Min=-5;V_Max=5;%速度范围
Pop_Min=-10;Pop_Max=10;%种群个体大小范围
%% 初始化种群 %%
PR=0.5*ones(Pop_Size,1);%脉冲发射率初始化
Loud=0.9*ones(Pop_Size,1);%响度初始化
PR0=PR;%记录初始脉冲发射率
Beta=rand(Pop_Size,1);%随机化Beta值
Freq=Freq_Min+(Freq_Max-Freq_Min)*Beta;%频率初始化
V=V_Min+(V_Max-V_Min)*rand(Pop_Size,Dim);%速度初始化
% V=zeros(Pop_Size,Dim);
Pop=Pop_Min+(Pop_Max-Pop_Min)*rand(Pop_Size,Dim);%种群初始化
for i=1:Pop_Size
Fitness(i)=Sphere_Function(Pop(i,:));%评估当前野草对应的适应度值
end
[Fitness_Best,Position_Best]=min(Fitness);%寻找当前最优适应度值
Position_Current=find(Fitness==Fitness_Best);%最优适应度值的位置
Trace(Iter)=Fitness_Best;%记录当前代适应度值最小值
%% 迭代部分 %%
while Iter<=Iter_Max
Iter%记录当前迭代次数
Fitness_Best%记录当前最优适应度值
for i=1:Pop_Size
Beta(i)=rand;
Freq(i,:)=Freq_Min+(Freq_Max-Freq_Min)*Beta(i);%频率控制
Trace(Iter)=Fitness_Best;%记录当前代适应度值最小值
end
%% 数据后处理 %%
Iter%记录当前迭代次数
Fitness_Best%记录当前最优适应度值
figure('Position',[269 240 660 290])
%Draw search space
subplot(1,2,1);
X1=linspace(-10,10,101);
X2=linspace(-10,10,101);
for i=1:length(X1)
for j=1:length(X2)
Y(i,j)=X1(i)^2+X2(j)^2;
end
end
subplot(1,2,1),surf(X1,X2,Y);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel('( x_1 , x_2 )')
subplot(1,2,2);,plot(Trace);
xlabel('Iteration');
ylabel('Best score obtained so far');
3 仿真结果
4 参考文献
[1]刘长平, 叶春明. 具有Lévy飞行特征的蝙蝠算法[J]. 智能系统学报, 2013, 000(003):240-246.
标签:Min,%%,求解,Pop,源码,matlab,Fitness,Freq,Size 来源: https://blog.csdn.net/qq_59747472/article/details/120690221