人工蜂群算法

clear all

tic %计时开始

%%%%%%% 初始化种群参数%%%%%%%

global Optimalvalue; %定义全局变量，存放寻优过程最优值

Optimalvalue=0; %给最优变量初值，该变量用以存放所求的最优值

NP=30; %初始化蜜蜂总数

FoodNumber=NP/2; %确定采蜜蜂数量

SearchNumber=5; %侦查蜂数量

trial=zeros(NP) ; %对各蜂适应值的不变性次数进行统计的变量

Foodspath=Foods; %变量保存所有蜂寻优过程，用以画图显示用

%计算所有蜂的适应值函数值

for i=1 : NP

Fitness(i)=(sin(Foods(i,1))./(Foods(i,1)+eps)).*(sin(Foods(i,2))./(Foods(i,2)+eps));

%调用函数求各蜂坐标位置的函数值（适应值）

end

Indfit=sort(Fitness); %对各蜂适应值由小到大排序

Optimalvalue=Indfit(end); %保存最优值

iter=1; %初始化迭代次数

%%%%%%% 采蜜蜂模式 %%%%%%

%如果 neighbour==i，则再进行一次随机取值，以使两者不相等(不同的蜂)

neighbour=fix(rand*(FoodNumber))+1;

end

sol(i,:)=Foods(i,:);

%%%%%%% 在附近区域进行搜索 %%%%%%%

sol(i,Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-

Foods(neighbour,Param2Change))*(rand-0.5)*2;

% 确保新产生的解（蜜源）位置在参数范围内

if (sol(i,Param2Change)>10|sol (i,Param2Change)<-10)

sol(i,Param2Change)= Foods(i,Param2Change);

Fitness(i)=FitnessSol;

trail(i)=0;

else

Foods(i,:)=(rand(1,2)-0.5)*20;

%超过设定的 Limit 次，则该采蜜蜂变成为侦查蜂

end

end

end %End for

%%%%%%根据适应度值计算采蜜蜂被观察蜂跟随的概率%%%%%

prob =(0.9*Fitness./max(Fitness))+0.1;

if(rand<prob(i)) %安概率选择要跟随的采蜜蜂

Param2Change=fix(rand*2)+1;

neighbour=FoodNumber+fix(rand*(NP-FoodNumber-SearchNumber))+1;

%选择任一个观察蜂

while (neighbour==t)

%若相等则在观察蜂中进行一次随机取值，这使得 neighbour 与 t 不相等

neighbour=FoodNumber+fix(rand*(NP-FoodNumber-SearchNumber))+1;

end;

sol(t,:)=Foods(t,:);

sol(t,Param2Change)=Foods(i,Param2Change)+(Foods(i,Param2Change)-