【单目标优化求解】基于matlab多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】

2022-01-14 19:33:10 阅读：210 来源： 互联网

标签：FPA BA 求解 Curve score CS 动态优化 Best

一、布谷鸟算法简介（具体理论见参考文献[3]）

布谷鸟算法，英文叫做Cuckoo search (CS algorithm)。首先还是同样，介绍一下这个算法的英文含义， Cuckoo是布谷鸟的意思，啥是布谷鸟呢，是一种叫做布谷的鸟，o(∩_∩)o ，这种鸟她妈很懒，自己生蛋自己不养，一般把它的宝宝扔到别的种类鸟的鸟巢去。但是呢，当孵化后，遇到聪明的鸟妈妈，一看就知道不是亲生的，直接就被鸟妈妈给杀了。于是这群布谷鸟宝宝为了保命，它们就模仿别的种类的鸟叫，让智商或者情商极低的鸟妈妈误认为是自己的亲宝宝，这样它就活下来了。
布谷鸟搜索算法（Cuckoo Search, CS）是2009年Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出的一种优化算法。布谷鸟算法是一种集合了布谷鸟巢寄生性和莱维飞行（Levy Flights）模式的群体智能搜索技术，通过随机游走的方式搜索得到一个最优的鸟巢来孵化自己的鸟蛋。这种方式可以达到一种高效的寻优模式。

1 布谷鸟的巢寄生性
在这里插入图片描述
2 莱维飞行

图1.模拟莱维飞行轨迹示意图

3 布谷鸟搜索算法的实现过程
在这里插入图片描述

二、部分源代码

%% 清除环境变量
clear 
clc

%% 参数设置
N = 25;             % 种群规模
Function_name = 'F1';         % 从F1到F23的测试函数的名称（本文中的表1、2、3）
Max_iteration = 1000;           % 最大迭代次数
cnt_max = 30;
% 加载所选基准函数的详细信息
[lb, ub, dim, fobj] = Get_Functions_details(Function_name);

Curve_MACS = zeros(1, Max_iteration);
Curve_CS = zeros(1, Max_iteration);
Curve_BA = zeros(1, Max_iteration);
Curve_FPA = zeros(1, Max_iteration);
Curve_ASCSA = zeros(1, Max_iteration);

for cnt = 1:cnt_max
    % 初始化种群位置
    X = initialization(N, dim, ub, lb);
    
    [MACS_Best_score(cnt), MACS_Best_pos(cnt, :), MACS_Curve] = MACS(X, N, Max_iteration, lb, ub, dim, fobj);
    [CS_Best_score(cnt), CS_Best_pos(cnt, :), CS_Curve] = CS(X, N, Max_iteration, lb, ub, dim, fobj);
    [BA_Best_score(cnt), BA_Best_pos(cnt, :), BA_Curve] = BA(X, N, Max_iteration, lb, ub, dim, fobj);
    [FPA_Best_score(cnt), FPA_Best_pos(cnt, :), FPA_Curve] = FPA(X, N, Max_iteration, lb, ub, dim, fobj);
    [ASCSA_Best_score(cnt), ASCSA_Best_pos(cnt, :), ASCSA_Curve] = ASCSA(X, N, Max_iteration, lb, ub, dim, fobj);
    
    Curve_MACS = Curve_MACS+MACS_Curve;
    Curve_CS = Curve_CS+CS_Curve;
    Curve_BA = Curve_BA+BA_Curve;
    Curve_FPA = Curve_FPA+FPA_Curve;
    Curve_ASCSA = Curve_ASCSA+ASCSA_Curve;
end


Curve_MACS = Curve_MACS/cnt_max;
Curve_CS = Curve_CS/cnt_max;
Curve_BA = Curve_BA/cnt_max;
Curve_FPA = Curve_FPA/cnt_max;
Curve_ASCSA = Curve_ASCSA/cnt_max;

std_MACS = std(MACS_Best_score);
std_CS = std(CS_Best_score);
std_BA = std(BA_Best_score);
std_FPA = std(FPA_Best_score);
std_ASCSA = std(ASCSA_Best_score);

best_MACS = max(MACS_Best_score);
best_CS = max(CS_Best_score);
best_BA = max(BA_Best_score);
best_FPA = max(FPA_Best_score);
best_ASCSA = max(ASCSA_Best_score);

worst_MACS = min(MACS_Best_score);
worst_CS = min(CS_Best_score);
worst_BA = min(BA_Best_score);
worst_FPA = min(FPA_Best_score);
worst_ASCSA = min(ASCSA_Best_score);

mean_MACS = mean(MACS_Best_score);
mean_CS = mean(CS_Best_score);
mean_BA = mean(BA_Best_score);
mean_FPA = mean(FPA_Best_score);
mean_ASCSA = mean(ASCSA_Best_score);

%% 画图
% 1、画出所选基准函数的三维立体图形
figure;
func_plot(Function_name);
title(Function_name)
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
img =gcf;  %获取当前画图的句柄
print(img, '-dpng', '-r600', './img4.png')         %即可得到对应格式和期望dpi的图像
% 2、画出目标函数值变化曲线图
figure;
t = 1:Max_iteration;
semilogy(t, Curve_MACS, 'rd-',  t, Curve_CS, 'go-', t, Curve_BA, 'bs-',  t, Curve_FPA, 'mv-', t, Curve_ASCSA, 'k^-', ...
    'linewidth', 1.5, 'MarkerSize', 8, 'MarkerIndices', 1:50:Max_iteration);
legend('MACS', 'CS', 'BA', 'FPA', 'ASCSA');
% title(Function_name)
xlabel('Iteration');
ylabel('Fitness');
axis fill
grid on
box on
img =gcf;  %获取当前画图的句柄
print(img, '-dpng', '-r600', './img3.png')         %即可得到对应格式和期望dpi的图像
%% 显示结果
disp(['函数：', num2str(Function_name)]);
disp(['MACS：最大值: ', num2str(best_MACS), ',最小值:', num2str(worst_MACS), ',平均值:', num2str(mean_MACS), ',标准差:', num2str(std_MACS)]);
disp(['CS：最大值: ', num2str(best_CS), ',最小值:', num2str(worst_CS), ',平均值:', num2str(mean_CS), ',标准差:', num2str(std_CS)]);
disp(['BA：最大值: ', num2str(best_BA), ',最小值:', num2str(worst_BA), ',平均值:', num2str(mean_BA), ',标准差:', num2str(std_BA)]);
disp(['FPA：最大值: ', num2str(best_FPA), ',最小值:', num2str(worst_FPA), ',平均值:', num2str(mean_FPA), ',标准差:', num2str(std_FPA)]);
disp(['ASCSA：最大值: ', num2str(best_ASCSA), ',最小值:', num2str(worst_ASCSA), ',平均值:', num2str(mean_ASCSA), ',标准差:', num2str(std_ASCSA)]);

三、运行结果

在这里插入图片描述

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]张珍珍,贺兴时,于青林,杨新社.多阶段动态扰动和动态惯性权重的布谷鸟算法[J].计算机工程与应用

标签：FPA,BA,求解,Curve,score,CS,动态,优化,Best
来源： https://blog.csdn.net/TIQCmatlab/article/details/122500734

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

【单目标优化求解】基于matlab多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】

一、布谷鸟算法简介（具体理论见参考文献[3]）

二、部分源代码

三、运行结果

四、matlab版本及参考文献