注册网站引流,wordpress5.0.2图集怎么发布,建设银行 嘉定 网站,东莞免费建站在线咨询【Matlab】智能优化算法_麻雀搜索算法SSA 1.背景介绍2.数学模型3.文件结构4.伪代码5.详细代码及注释5.1 Get_Functions_details.m5.2 main.m5.3 SSA.m 6.运行结果7.参考文献 1.背景介绍 麻雀通常是群居的鸟类#xff0c;有很多种类。它们分布在世界的大部分地区#xff0c;喜… 【Matlab】智能优化算法_麻雀搜索算法SSA 1.背景介绍2.数学模型3.文件结构4.伪代码5.详细代码及注释5.1 Get_Functions_details.m5.2 main.m5.3 SSA.m 6.运行结果7.参考文献 1.背景介绍 麻雀通常是群居的鸟类有很多种类。它们分布在世界的大部分地区喜欢生活在人类生活的地方。此外它们是杂食性鸟类主要以谷物或杂草的种子为食。众所周知麻雀是常见的留鸟。与其他许多小鸟相比麻雀有很强的智慧有很强的记忆力。请注意有两种不同类型的圈养家雀都是生产者和寻食者。生产者积极寻找食物来源而蹭食者则通过生产者获得食物。此外证据显示鸟类通常灵活地使用行为策略在生产和蹭食之间切换。也可以说为了寻找他们的食物麻雀通常使用生产者和搜寻者的策略。 研究表明个体监视群体中其他人的行为。同时鸟群中的攻击者想提高自己的捕食率就会用高摄入量的同伴来竞争食物资源。此外当麻雀选择不同的觅食策略时个体的能量储备可能起到重要的作用能量储备低的麻雀会更多地蹭吃蹭喝。值得一提的是位于种群外围的鸟类更有可能受到捕食者的攻击并不断尝试获得更好的位置。请注意位于中心的动物可能会向它们的邻居靠近以减少它们的危险领域。我们还知道所有的麻雀都表现出对一切事物好奇的自然本能同时它们也总是保持着警惕。例如当一只鸟确实检测到捕食者时一个或多个个体发出一声鸣叫整个群体就会飞走。 2.数学模型 麻雀搜索算法。为了简单起见我们将麻雀的以下行为理想化并制定了相应的规则。 生产者通常有高水平的能量储备并为所有蹭吃蹭喝的人提供觅食区或方向。它负责识别可以找到丰富食物来源的区域。能量储备的水平取决于对个体的健身价值的评估。一旦麻雀发现捕食者个体就开始鸣叫作为报警信号。当报警值大于安全阈值时生产者需要带领所有的蹭食者到安全区域。每只麻雀只要寻找更好的食物来源就能成为生产者但整个种群中生产者和蹭食者的比例是不变的。具有较高能量的麻雀会被当作生产者。几个饥饿的蹭食者更有可能飞到其他地方寻找食物以获得更多的能量。蹭食者跟随能提供最佳食物的生产者去寻找食物。同时一些蹭食者可能会不断地监视生产者并争夺食物以增加自己的捕食率。当意识到有危险时处于群体边缘的麻雀迅速向安全区域移动以获得更好的位置而处于群体中间的麻雀则随机行走以接近其他人。 在模拟实验中我们需要使用虚拟麻雀来寻找食物。麻雀的位置可以用以下矩阵表示 其中n是麻雀的数量d表示要优化的变量的维度。然后所有麻雀的适应度值可以用以下向量表示 其中n表示麻雀的数量FX中每行的值表示个体的适应度值。在SSA中具有更好适应度值的生产者在搜索过程中优先获得食物。此外因为生产者负责搜索食物和引导整个人口的流动。所以生产者可以在比拾荒者更广泛的地方寻找食物。根据规则1和2在每次迭代过程中生产者的位置更新如下 其中t表示当前迭代j12。。。d.Xt ij表示迭代时第i个麻雀的第j维的值。itermax是迭代次数最多的常数。α∈0,1]是一个随机数。R2R2∈[0,1]和STST∈[0.5,1.0]分别表示报警值和安全阈值。Q是服从正态分布的随机数。L表示amatrixof1×d其中内部的每个元素都是1。 当R2ST时这意味着周围没有捕食者生产者进入广泛搜索模式。如果R2≥ST则意味着一些麻雀已经发现了捕食者所有麻雀都需要迅速飞往其他安全区域。 至于拾荒者他们需要执行规则4和5。如上所述一些拾荒者更频繁地监视生产者。一旦他们发现生产者找到了好的食物他们就会立即离开目前的位置去争夺食物。如果他们赢了他们可以立即得到生产者的食物否则他们将继续执行规则5。搜寻者的位置更新公式如下所述 其中XP是生产者占据的最佳位置。Xworst表示当前全球最差位置。A代表一个1×d的矩阵里面的每个元素都被随机分配为1或-1AATAAT -1。当in/2时表明健身值较差的第1个蹭饭的人最有可能挨饿。 在模拟实验中我们假设这些意识到危险的麻雀占总种群的10%到20%。这些麻雀的初始位置是在种群中随机产生的。根据规则6数学模型可以表达如下 其中Xbest是当前的全局最优位置。β,作为步长控制参数是一个均值为0方差为1的正态分布的随机数。 K∈[-1, 1]是一个随机数。这里fi是当前麻雀的适配值。fg和fw分别是当前全球最佳和最差的适配值。ε是最小的常数以避免零除法错误。 为了简单起见当fi fg时表示麻雀处于群体的边缘。Xbest代表种群中心的位置在其周围是安全的。fi fg表明处于种群中间的麻雀意识到了危险需要向其他麻雀靠近。K表示麻雀移动的方向也是步长的控制系数。 3.文件结构 Get_Functions_details.m % 基准的全部信息和实现
main.m % 主函数
SSA.m % 麻雀搜索算法4.伪代码 5.详细代码及注释
5.1 Get_Functions_details.m
function [lb,ub,dim,fobj] Get_Functions_details(F)
switch Fcase F1fobj F1;lb-100;ub100;dim30;case F2fobj F2;lb-10;ub10;dim30;case F3fobj F3;lb-100;ub100;dim30;case F4fobj F4;lb-100;ub100;dim30;case F5fobj F5;lb-30;ub30;dim30;case F6fobj F6;lb-100;ub100;dim30;case F7fobj F7;lb-1.28;ub1.28;dim30;case F8fobj F8;lb-500;ub500;dim30;case F9fobj F9;lb-5.12;ub5.12;dim30;case F10fobj F10;lb-32;ub32;dim30;case F11fobj F11;lb-600;ub600;dim30;case F12fobj F12;lb-50;ub50;dim30;case F13fobj F13;lb-50;ub50;dim30;case F14fobj F14;lb-65.536;ub65.536;dim2;case F15fobj F15;lb-5;ub5;dim4;case F16fobj F16;lb-5;ub5;dim2;case F17fobj F17;lb[-5,0];ub[10,15];dim2;case F18fobj F18;lb-2;ub2;dim2;case F19fobj F19;lb0;ub1;dim3;case F20fobj F20;lb0;ub1;dim6; case F21fobj F21;lb0;ub10;dim4; case F22fobj F22;lb0;ub10;dim4; case F23fobj F23;lb0;ub10;dim4;
endend% F1function o F1(x)
osum(x.^2);
end% F2function o F2(x)
osum(abs(x))prod(abs(x));
end% F3function o F3(x)
dimsize(x,2);
o0;
for i1:dimoosum(x(1:i))^2;
end
end% F4function o F4(x)
omax(abs(x));
end% F5function o F5(x)
dimsize(x,2);
osum(100*(x(2:dim)-(x(1:dim-1).^2)).^2(x(1:dim-1)-1).^2);
end% F6function o F6(x)
osum(abs((x.5)).^2);
end% F7function o F7(x)
dimsize(x,2);
osum([1:dim].*(x.^4))rand;
end% F8function o F8(x)
osum(-x.*sin(sqrt(abs(x))));
end% F9function o F9(x)
dimsize(x,2);
osum(x.^2-10*cos(2*pi.*x))10*dim;
end% F10function o F10(x)
dimsize(x,2);
o-20*exp(-.2*sqrt(sum(x.^2)/dim))-exp(sum(cos(2*pi.*x))/dim)20exp(1);
end% F11function o F11(x)
dimsize(x,2);
osum(x.^2)/4000-prod(cos(x./sqrt([1:dim])))1;
end% F12function o F12(x)
dimsize(x,2);
o(pi/dim)*(10*((sin(pi*(1(x(1)1)/4)))^2)sum((((x(1:dim-1)1)./4).^2).*...
(110.*((sin(pi.*(1(x(2:dim)1)./4)))).^2))((x(dim)1)/4)^2)sum(Ufun(x,10,100,4));
end% F13function o F13(x)
dimsize(x,2);
o.1*((sin(3*pi*x(1)))^2sum((x(1:dim-1)-1).^2.*(1(sin(3.*pi.*x(2:dim))).^2))...
((x(dim)-1)^2)*(1(sin(2*pi*x(dim)))^2))sum(Ufun(x,5,100,4));
end% F14function o F14(x)
aS[-32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32;,...
-32 -32 -32 -32 -32 -16 -16 -16 -16 -16 0 0 0 0 0 16 16 16 16 16 32 32 32 32 32];for j1:25bS(j)sum((x-aS(:,j)).^6);
end
o(1/500sum(1./([1:25]bS))).^(-1);
end% F15function o F15(x)
aK[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246];
bK[.25 .5 1 2 4 6 8 10 12 14 16];bK1./bK;
osum((aK-((x(1).*(bK.^2x(2).*bK))./(bK.^2x(3).*bKx(4)))).^2);
end% F16function o F16(x)
o4*(x(1)^2)-2.1*(x(1)^4)(x(1)^6)/3x(1)*x(2)-4*(x(2)^2)4*(x(2)^4);
end% F17function o F17(x)
o(x(2)-(x(1)^2)*5.1/(4*(pi^2))5/pi*x(1)-6)^210*(1-1/(8*pi))*cos(x(1))10;
end% F18function o F18(x)
o(1(x(1)x(2)1)^2*(19-14*x(1)3*(x(1)^2)-14*x(2)6*x(1)*x(2)3*x(2)^2))*...(30(2*x(1)-3*x(2))^2*(18-32*x(1)12*(x(1)^2)48*x(2)-36*x(1)*x(2)27*(x(2)^2)));
end% F19function o F19(x)
aH[3 10 30;.1 10 35;3 10 30;.1 10 35];cH[1 1.2 3 3.2];
pH[.3689 .117 .2673;.4699 .4387 .747;.1091 .8732 .5547;.03815 .5743 .8828];
o0;
for i1:4oo-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));
end
end% F20function o F20(x)
aH[10 3 17 3.5 1.7 8;.05 10 17 .1 8 14;3 3.5 1.7 10 17 8;17 8 .05 10 .1 14];
cH[1 1.2 3 3.2];
pH[.1312 .1696 .5569 .0124 .8283 .5886;.2329 .4135 .8307 .3736 .1004 .9991;...
.2348 .1415 .3522 .2883 .3047 .6650;.4047 .8828 .8732 .5743 .1091 .0381];
o0;
for i1:4oo-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));
end
end% F21function o F21(x)
aSH[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o0;
for i1:5oo-((x-aSH(i,:))*(x-aSH(i,:))cSH(i))^(-1);
end
end% F22function o F22(x)
aSH[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o0;
for i1:7oo-((x-aSH(i,:))*(x-aSH(i,:))cSH(i))^(-1);
end
end% F23function o F23(x)
aSH[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];o0;
for i1:10oo-((x-aSH(i,:))*(x-aSH(i,:))cSH(i))^(-1);
end
endfunction oUfun(x,a,k,m)
ok.*((x-a).^m).*(xa)k.*((-x-a).^m).*(x(-a));
end5.2 main.m
clc
clear
close all
SearchAgents_no100; % Number of search agentsFunction_nameF15; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper)Max_iteration1000; % Maximum numbef of iterations% Load details of the selected benchmark function
[lb,ub,dim,fobj]Get_Functions_details(Function_name);[fMin,bestX,SSA_curve]SSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); %Draw objective spacesemilogy(SSA_curve,Color,g)axis ([0 1000 0 1 ])
title(Objective space)
xlabel(Iteration);
ylabel(Best score obtained so far);
%axis tight
grid on
box on
legend(SSA)
display([The best solution obtained by SSA is : , num2str(bestX)]);
display([The best optimal value of the objective funciton found by SSA is : , num2str(fMin)]);5.3 SSA.m
function [fMin , bestX,Convergence_curve ] SSA(pop, M,c,d,dim,fobj )P_percent 0.2; % The population size of producers accounts for P_percent percent of the total population size
pNum round( pop * P_percent ); % The population size of the producerslb c.*ones( 1,dim ); % Lower limit/bounds/ a vector
ub d.*ones( 1,dim ); % Upper limit/bounds/ a vector
%Initialization
for i 1 : popx( i, : ) lb (ub - lb) .* rand( 1, dim );fit( i ) fobj( x( i, : ) ) ;
end
pFit fit;
pX x; % The individuals best position corresponding to the pFit
[ fMin, bestI ] min( fit ); % fMin denotes the global optimum fitness value
bestX x( bestI, : ); % bestX denotes the global optimum position corresponding to fMin% Start updating the solutions.for t 1 : M[ ans, sortIndex ] sort( pFit );% Sort.[fmax,B]max( pFit );worse x(B,:);r2rand(1);if(r20.8)for i 1 : pNum % Equation (3)r1rand(1);x( sortIndex( i ), : ) pX( sortIndex( i ), : )*exp(-(i)/(r1*M));x( sortIndex( i ), : ) Bounds( x( sortIndex( i ), : ), lb, ub );fit( sortIndex( i ) ) fobj( x( sortIndex( i ), : ) );endelsefor i 1 : pNumx( sortIndex( i ), : ) pX( sortIndex( i ), : )randn(1)*ones(1,dim);x( sortIndex( i ), : ) Bounds( x( sortIndex( i ), : ), lb, ub );fit( sortIndex( i ) ) fobj( x( sortIndex( i ), : ) );endend[ fMMin, bestII ] min( fit );bestXX x( bestII, : );for i ( pNum 1 ) : pop % Equation (4)Afloor(rand(1,dim)*2)*2-1;if( i(pop/2))x( sortIndex(i ), : )randn(1)*exp((worse-pX( sortIndex( i ), : ))/(i)^2);elsex( sortIndex( i ), : )bestXX(abs(( pX( sortIndex( i ), : )-bestXX)))*(A*(A*A)^(-1))*ones(1,dim);endx( sortIndex( i ), : ) Bounds( x( sortIndex( i ), : ), lb, ub );fit( sortIndex( i ) ) fobj( x( sortIndex( i ), : ) );endcrandperm(numel(sortIndex));bsortIndex(c(1:20));for j 1 : length(b) % Equation (5)if( pFit( sortIndex( b(j) ) )(fMin) )x( sortIndex( b(j) ), : )bestX(randn(1,dim)).*(abs(( pX( sortIndex( b(j) ), : ) -bestX)));elsex( sortIndex( b(j) ), : ) pX( sortIndex( b(j) ), : )(2*rand(1)-1)*(abs(pX( sortIndex( b(j) ), : )-worse))/ ( pFit( sortIndex( b(j) ) )-fmax1e-50);endx( sortIndex(b(j) ), : ) Bounds( x( sortIndex(b(j) ), : ), lb, ub );fit( sortIndex( b(j) ) ) fobj( x( sortIndex( b(j) ), : ) );endfor i 1 : popif ( fit( i ) pFit( i ) )pFit( i ) fit( i );pX( i, : ) x( i, : );endif( pFit( i ) fMin )fMin pFit( i );bestX pX( i, : );endendConvergence_curve(t)fMin;end% Application of simple limits/bounds
function s Bounds( s, Lb, Ub)
% Apply the lower bound vector
temp s;
I temp Lb;
temp(I) Lb(I);% Apply the upper bound vector
J temp Ub;
temp(J) Ub(J);
% Update this new move
s temp;%---------------------------------------------------------------------------------------------------------------------------
6.运行结果 7.参考文献 [1]Xue J,Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science Control Engineering,2020,8(1).
