注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。
注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。
注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。
1.代碼實現
不了解黏菌算法可以先看看優化算法筆記（三十三）黏菌算法
實現代碼前需要先完成優化算法matlab實現（二）框架編寫中的框架的編寫。
| 文件 | 名描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 個體 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主體 |
以及優化算法matlab實現（四）測試粒子群算法中的測試函數、函數圖像的編寫。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 測試函數，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函數圖像，畫圖用 |
黏菌算法的個體有一個獨有屬性：權重。
黏菌算法個體
文件名：.. \optimization algorithm\algorithm_slime_mould\SMA_Unit.m
% 黏菌算法個體
classdef SMA_Unit < Unit
properties
% 權重
weight;
end
methods
function self = SMA_Unit()
end
end
end
黏菌算法算法主體
文件名：..\optimization algorithm\algorithm_slime_mould\SMA_Base.m
% 黏菌算法
classdef SMA_Base < Algorithm_Impl
properties
% 算法名稱
name = 'SMA';
% 變異系數
Z = 0.03;
end
% 外部可調用的方法
methods
function self = SMA_Base(dim,size,iter_max,range_min_list,range_max_list)
% 調用父類構造函數
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.name ='SMA';
end
end
% 繼承重寫父類的方法
methods (Access = protected)
% 初始化種群
function init(self)
init@Algorithm_Impl(self)
%初始化種群
for i = 1:self.size
unit = SMA_Unit();
% 隨機初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 計算適應度值
unit.value = self.cal_fitfunction(unit.position);
% 將個體加入群體數組
self.unit_list = [self.unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 更新權重
self.update_weight();
% 更新位置
self.update_position(iter);
end
% 更新權重
function update_weight(self)
% 從大到小排序，數值越大越優
[value,index] = sort([self.unit_list.value],'descend');
% 最優值與最差值的絕對值
s = abs(value(1)-value(end)) + realmin('double');
for i = 1:self.size
if i < self.size/2
new_weight = 1 + unifrnd(0,1,1,self.dim).*log10(1+(value(1)-self.unit_list(index(i)).value)/s);
else
new_weight = 1 - unifrnd(0,1,1,self.dim).*log10(1+(value(1)-self.unit_list(index(i)).value)/s);
end
self.unit_list(index(i)).weight = new_weight;
end
end
% 更新位置
function update_position(self,iter)
% 從大到小排序，數值越大越優
[value,index] = sort([self.unit_list.value],'descend');
a = atanh(1-iter/self.iter_max);
b = 1-iter/self.iter_max;
for i = 1:self.size
if rand < self.Z
% 變異操作，解空間內隨機初始化
self.unit_list(index(i)).position = unifrnd(self.range_min_list,self.range_max_list);
self.unit_list(index(i)).value = self.cal_fitfunction(self.unit_list(index(i)).position);
else
p = tanh(abs(self.value_best - self.unit_list(index(i)).value));
if rand < p
% 隨機選擇兩個個體
A = randperm(self.size,1);
B = randperm(self.size,1);
new_pos = self.position_best+unifrnd(-a,a,1,self.dim).*(self.unit_list(A).weight.*self.unit_list(A).position - self.unit_list(B).position);
else
new_pos = unifrnd(-b,b,1,self.dim).*self.unit_list(index(i)).position;
end
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(index(i)).value = new_value;
self.unit_list(index(i)).position = new_pos;
end
end
end
% 獲取當前最優個體的id
function best_id=get_best_id(self)
% 求最大值則降序排列
[value,index] = sort([self.unit_list.value],'descend');
best_id = index(1);
end
end
end
文件名：..\optimization algorithm\algorithm_slime_mould\SMA_Impl.m
算法實現，繼承于Base,圖方便也可不寫，直接用SMA_Base，這里為了命名一致。
% 黏菌算法實現
classdef SMA_Impl < SMA_Base
% 外部可調用的方法
methods
function self = SMA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 調用父類構造函數設置參數
self@SMA_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.測試
測試F1
文件名：..\optimization algorithm\algorithm_slime_mould\Test.m
%% 清理之前的數據
% 清除所有數據
clear all;
close all;
% 清除窗口輸出
clc;
%% 添加目錄
% 將上級目錄中的frame文件夾加入路徑
addpath('../frame')
%% 選擇測試函數
Function_name='F1';
%[最小值，最大值，維度，測試函數]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法實例
% 種群數量
size = 50;
% 最大迭代次數
iter_max = 1000;
% 取值范圍上界
range_max_list = ones(1,dim).*ub;
% 取值范圍下界
range_min_list = ones(1,dim).*lb;
% 實例化黏菌算法類
base = SMA_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 確定適應度函數
base.fitfunction = fobj;
% 運行
base.run();
disp(base.cal_fit_num);
%% 繪制圖像
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
% 繪制曲線，由于算法是求最大值，適應度函數為求最小值，故乘了-1，此時去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標軸調整為緊湊型
axis tight
% 添加網格
grid on
% 四邊都顯示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);
