SSA麻雀搜索算法Matlab源代码 免费下载直接送 适合新手小白学习~

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 %生产者占所有种群的0.2 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% pNum = round( pop * P_percent ); % The population size of the producers %生产者数量取整 lb= c.*ones( 1,dim ); % Lower limit/bounds/ a vector 约束上限 ub= d.*ones( 1,dim ); % Upper limit/bounds/ a vector 约束下限 %Initialization for i = 1 : pop x( i, : ) = lb + (ub - lb) .* rand( 1, dim ); %随机初始化n个种群 fit( i ) = fobj( x( i, : ) ) ; %计算所有群体的适应情况，如果求最小值的,越小代表适应度越好 end % 以下找到最小值对应的麻雀群 pFit = fit; pX = x; % The individual's 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,:); %找到最差的个体 r2=rand(1); %产生随机数 感觉没有啥科学依据，就是随机数 %大概意思就是在0.8概率内原来种群乘一个小于1的数，种群整体数值缩小了 %大概意思就是在0.2概率内原来种群乘一个小于1的数，种群整体数值+1 %变化后种群的数值还是要限制在约束里面 %对前pNum适应度最好的进行变化 ，即生产者进行变化，可见生产者是挑最好的 if(r2<0.8) for i = 1 : pNum % Equation (3) r1=rand(1); x( sortIndex( i ), : ) = pX( sortIndex( i ), : )*exp(-(i)/(r1*M)); %将种群按适应度排序后更新 x( sortIndex( i ), : ) = Bounds( x( sortIndex( i ), : ), lb, ub ); %将种群限制在约束范围内 fit( sortIndex( i ) ) = fobj( x( sortIndex( i ), : ) ); end else for i = 1 : pNum x( 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 ), : ) ); end end %把经过变化后最好的种群记录下来 [ fMMin, bestII ] = min( fit ); bestXX = x( bestII, : ); %下面是乞讨者 for i = ( pNum + 1 ) : pop % Equation (4) A=floor(rand(1,dim)*2)*2-1; %产生1和-1的随机数 if( i>(pop/2)) %如果i>种群的一半，代表遍历到适应度靠后的一段，代表这些序列的种群可能在挨饿 x( sortIndex(i ), : )=randn(1)*exp((worse-pX( sortIndex( i ), : ))/(i)^2); %适应度不好的，即靠后的麻雀乘了一个大于1的数，向外拓展 else x( sortIndex( i ), : )=bestXX+(abs(( pX( sortIndex( i ), : )-bestXX)))*(A'*(A*A')^(-1))*ones(1,dim); %这是适应度出去介于生产者之后，又在种群的前半段的,去竞争生产者的食物，在前面最好种群的基础上 %再进行变化一次，在原来的基础上减一些值或者加一些值 end x( sortIndex( i ), : ) = Bounds( x( sortIndex( i ), : ), lb, ub ); %更新后种群的限制在变量范围 fit( sortIndex( i ) ) = fobj( x( sortIndex( i ), : ) ); %更新过后重新计算适应度 end %在全部种群中找可以意识到危险的麻雀 c=randperm(numel(sortIndex)); b=sortIndex(c(1:20)); for j = 1 : length(b) % Equation (5) if( pFit( sortIndex( b(j) ) )>(fMin) ) %如果适应度比最开始最小适应度差的话，就在原来的最好种群上增长一部分值 x( sortIndex( b(j) ), : )=bestX+(randn(1,dim)).*(abs(( pX( sortIndex( b(j) ), : ) -bestX))); else %如果适应度达到开始最小的适应度值，就在原来的最好种群上随机增长或减小一部分 x( sortIndex( b(j) ), : ) =pX( sortIndex( b(j) ), : )+(2*rand(1)-1)*(abs(pX( sortIndex( b(j) ), : )-worse))/ ( pFit( sortIndex( b(j) ) )-fmax+1e-50); end x( sortIndex(b(j) ), : ) = Bounds( x( sortIndex(b(j) ), : ), lb, ub ); fit( sortIndex( b(j) ) ) = fobj( x( sortIndex( b(j) ), : ) ); end for i = 1 : pop %如果哪个种群适应度好了，就把变化的替换掉原来的种群 if ( fit( i ) < pFit( i ) ) pFit( i ) = fit( i ); pX( i, : ) = x( i, : ); end if( pFit( i ) < fMin ) %最优值以及最优值位置看是否变化 fMin= pFit( i ); bestX = pX( i, : ); end end Convergence_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; %---------------------------------------------------------------------------------------------------------------------------