烟花算法进行函数优化通用matlab代码

%% 烟花算法进行函数优化 %%求函数的最小值 %fitness适应度函数，N烟花数，D变量维数，M变异火花数，Er爆炸半径，En爆炸数目 %LB,UB分别为变量上下界，T为迭代次数，a,b为爆炸数目限制因子 clear;clc N=100; % N烟花数 D=2; % D变量维数 M=5; % M变异火花数 En=6; % En爆炸数目 Er=5; % Er爆炸半径 a=0.3; % a,b为爆炸数目限制因子 b=0.6; T=500; % T为迭代次数 %求最大值变量上下界 LB=[-10,-10]; UB=[10,10]; %随机在解空间初始化N个烟花位置 x = zeros(N,D); for i=1:N x(i,:)=LB+rand(1,D).*(UB-LB); end %循环迭代 E_Spark=zeros(T,D,N); Fit = zeros(1,N); F = zeros(1,T); for t=1:T %计算每个烟花适应度值 for i=1:N Fit(i)=fitness(x(i,:)); end [F(t),~]=min(Fit); Fmin=min(Fit); Fmax=max(Fit); %计算每个烟花的爆炸半径E_R和爆炸数目E_N以及产生的爆炸火花 E_R = zeros(1,N); E_N = zeros(1,N); for i=1:N E_R(i)=Er*((Fit(i)-Fmin+eps)/(sum(Fit)-N*Fmin+eps)); %爆炸半径 E_N(i)=En*((Fmax-Fit(i)+eps)/(N*Fmax-sum(Fit)+eps)); %爆炸数目 if E_N(i)<a*En % 爆炸数目限制 E_N(i)=round(a*En); elseif E_N(i)>b*En E_N(i)=round(b*En); else E_N(i)=round(E_N(i)); end %产生爆炸火花 E_Spark for j=2:(E_N(i)+1) % 第i个烟花共产生E_N(i)个火花 E_Spark(1,:,i)=x(i,:); % 将第i个烟花保存为第i个火花序列中的第一个，爆炸产生的火花从序列中的第二个开始存储（即烟花为三维数组每一页的第一行） h=E_R(i)*(-1+2*rand(1,D)); % 位置偏移 E_Spark(j,:,i)=x(i,:)+h; % 第i个烟花（三维数组的i页）产生的第j（三维数组的j行）个火花 for k=1:D %越界检测 if E_Spark(j,k,i)>UB(k)||E_Spark(j,k,i)<LB(k) %第i个烟花（三维数组的i页）产生的第j个火花（三维数组的j行）的第k个变量（三维数组的k列） E_Spark(j,k,i)=LB(k)+rand*(UB(k)-LB(k)); %映射规则 end end end end %产生高斯变异火花Mut_Spark,随机选择M个烟花进行变异 Mut=randperm(N); % 随机产生1-N内的N个数 for m1=1:M % M个变异烟花 m=Mut(m1); % 随机选取烟花 for n=1:E_N(m) e=1+sqrt(1)*randn(1,D); %高斯变异参数，方差为1，均值也为1的1*D随机矩阵 E_Spark(n,:,m)=E_Spark(n,:,m).*e; for k=1:D %越界检测 if E_Spark(n,k,m)>UB(k)||E_Spark(n,k,m)<LB(k) %第i个烟花（三维数组的i页）产生的第j个火花（三维数组的j行）的第k个变量（三维数组的k列） E_Spark(n,k,m)=LB(k)+rand*(UB(k)-LB(k)); %映射规则 end end end end %选择操作，从烟花、爆炸火花、变异火花里（都包含在三维数组中）选取N个优良个体作为下一代（先将最优个体留下，然后剩下的N-1个按轮盘赌原则选取） n=sum(E_N)+N; %烟花、火花总个数 q=1; Fitness = zeros(1,1); E_Sum = zeros(1,D); for i=1:N % 三维转二维 for j=1:(E_N(i)+1) % 三维数组每一页的行数（即每个烟花及其产生的火花数之和） E_Sum(q,:)=E_Spark(j,:,i); % 烟花与火花总量 Fitness(q)=fitness(E_Sum(q,:)); % 计算所有烟花、火花的适应度，用于选取最优个体 q=q+1; end end [Fitness,X]=sort(Fitness); % 适应度升序排列 x(1,:)=E_Sum(X(1),:); % 最优个体 dist=pdist(E_Sum); % 求解各火花两两间的欧式距离 S=squareform(dist); % 将距离向量重排成n*n数组，第i行之和即为第i个火花到其他火花的距离之和 P = zeros(1,n); for i=1:n % 分别求各行之和 P(i)=sum(S(i,:)); end [P,Ix]=sort(P,'descend');% 将距离按降序排列，选取前N-1个，指的是如果个体密度较高，即该个体周围有很多其他候选者个体时，该个体被选择的概率会降低 for i=1:(N-1) x(i+1,:)=E_Sum(Ix(i),:); end end for i=1:N Fit(i)=fitness(x(i,:)); end %求最大值输出 [F(T),Y]=min(Fit); fmin=min(F); xm=x(Y,:); fprintf('xm=%f %f\n',xm(1),xm(2)); fprintf('fmin=%f\n',fmin); figure(1); t=1:T; plot(t,F) xlabel('迭代次数') ylabel('目标函数值') title('FWA算法迭代曲线');