智能优化算法——麻雀搜索算法matlab完整实现

function [fit_best,X_best,Convergence_curve] = SSA1(N,M,c,d,dim,fobj ) %pop是种群，M是迭代次数，fobj是用来计算适应度的函数，dim为函数维度 N_dis=0.2*N; % 发现者个数 % N_fol=0.8*N; % 追随者个数 % N_vig=0.1*N; % 警戒者个数 lb = c.*ones(1,dim); % Lower limit/bounds/ a vector ub = d.*ones(1,dim); % Upper limit/bounds/ a vector %% 初始化 for i = 1:N x(i,:) = lb+(ub-lb).*rand(1,dim); % 初始化麻雀种群 Equation (1) fit(i) = fobj(x(i,:)); % 计算麻雀种群的适应度值 Equation (2) end pFit = fit; pX = x; % 与pFit相对应的个体最佳位置 [value,index] = sort(pFit); % 分类 fit_best = value(1); % fit_best表示全局最优适应值 X_best = x(index(1),:); % X_best表示对应于fit_best的全局最优位置 fit_worst = value(end); % fit_best表示全局最差适应值 X_worst = x(index(end),:); % X_worst表示对应于fit_best的全局最差位置 r2=rand(1); % 预警值 alpha=rand(1); ST = 0.8; % 安全阈值 % x_dis=x(index(1:N_dis),:); %发现者位置 % x_fol=x(index(N_dis+1:N),:); %追随者位置 % x_vig=x(index(1:N_vig),:); %警戒者位置 %% Start updating the solutions for t = 1:M %%%%%%%%%%%%%%%%%%%%%%%%%这一部位为发现者（探索者）的位置更新%%%%%%%%%%%%%%%%%%%%%%%%% for i = 1:N_dis % Equation (3) % for j = 1:dim if(r2<ST)% 预警值小于安全阈值，说明没有捕食者出现 x(index(i),:) = x(index(i),:)*exp(-(i)/(alpha*M));% 对自变量做一个随机变换 else % 预警值大于安全阈值，说明有捕食者出现威胁到了种群的安全，需要去其它地方觅食 x(index(i),:) = pX(index(i),:)+randn(1)*ones(1,dim); end x(index(i),:) = Bounds(x(index(i),:),lb,ub);%对超过边界的变量进行去除 fit(index(i),:) = fobj(x(index(i),:));% 计算新的适应度值 % end end [~,bestII] = min(fit); X_p = x(bestII,:);%位置更新后,发现者的占据的最优位置，即最优发现者位置 %%%%%%%%%%%%%%%%%%%%%%%%%这一部位为加入者（追随者）的位置更新%%%%%%%%%%%%%%%%%%%%%%%%% for i = (N_dis+1):N %剩下20-100的个体的变换 % Equation (4) % for j = 1:dim A = floor(rand(1,dim)*2)*2-1; if(i>(N/2)) %这个代表这部分麻雀处于十分饥饿的状态（因为它们的能量很低，也是是适应度值很差），需要到其它地方觅食 x(index(i),:)=randn(1)*exp((X_worst-pX(index(i),:))/(i)^2); else %这一部分追随者是围绕最好的发现者周围进行觅食，其间也有可能发生食物的争夺，使其自己变成生产者 x(index(i),:)=X_p+(abs((pX(index(i),:)-X_p)))*(A'*(A*A')^(-1))*ones(1,dim); end x(index(i),:) = Bounds(x(index(i),:),lb,ub); %判断边界是否超出 fit(index(i),:) = fobj(x(index(i),:)); %计算新的适应度值 % end end %%%%%%%%%%%%%%%%%%%%%%%%这一部位为意识到危险（注意这里只是意识到了危险，不代表出现了真正的捕食者）的麻雀的位置更新%%%%%%%%%%%%%%%%%%%%%%%%% c=randperm(numel(index));%%%%%%%%%这个的作用是在种群中随机产生其位置（也就是这部分的麻雀位置一开始是随机的，意识到危险了要进行位置移动， %处于种群外围的麻雀向安全区域靠拢，处在种群中心的麻雀则随机行走以靠近别的麻雀）dex)); b=index(c(1:20)); for i = 1:length(b) % Equation (5) if(pFit(index(b(i)))>(fit_best)) %处于种群外围的麻雀的位置改变 x(index(b(i)),:)=X_best+(randn(1,dim)).*(abs((pX(index(b(i)),:)-X_best))); elseif(pFit(index(b(i)))==(fit_best))%处于种群中心的麻雀的位置改变 x(index(b(i)),:) =pX(index(b(i)),:)+(2*rand(1)-1)*(abs(pX(index(b(i)),:)-X_worst))/(pFit(index(b(i)))-fit_worst+1e-50); end x(index(b(i)),:) = Bounds(x(index(b(i)),:),lb,ub); fit(index(b(i))) = fobj( x(index(b(i)),:)); end for i = 1:N % 如果新位置比以前更好，请更新它 if (fit(i)<pFit(i)) pFit(i) = fit(i); pX(i,:) = x(i,:); end if(pFit(i)<fit_best) fit_best = pFit(i); X_best = pX(i,:); end end Convergence_curve(t)=fit_best; 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;