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

不了解飛蛾撲火算法可以先看看優化算法筆記（二十五）飛蛾撲火算法
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。

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。

飛蛾撲火算法的個體沒有獨有屬性。
飛蛾撲火算法個體
文件名：.. \optimization algorithm\algorithm_moth_flame\MFO_Unit.m

% 飛蛾撲火算法個體
classdef MFO_Unit < Unit
    
    properties
    end
    
    methods
        function self = MFO_Unit()
        end
    end
    
end

飛蛾撲火算法算法主體
文件名：..\optimization algorithm\algorithm_moth_flame\MFO_Base.m

% 飛蛾撲火算法
classdef MFO_Base  < Algorithm_Impl
    
    properties
        % 算法名稱
        name = 'MFO';
        % 飛蛾數量
        flame_num;
        % 火焰列表，已有的unit_list為飛蛾列表
        flame_list=[];
        t = -1;
    end
    
    % 外部可調用的方法
    methods
        function self = MFO_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 ='MFO';
            % 初始化每個飛蛾一個火焰
            self.flame_num = size;
        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 = MFO_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];
                
                flame = MFO_Unit();
                % 隨機初始化位置：rand(0,1).*(max-min)+min
                flame.position = unifrnd(self.range_min_list,self.range_max_list);
                % 計算適應度值
                flame.value = self.cal_fitfunction(flame.position);
                % 將個體加入群體數組
                self.flame_list = [self.flame_list,flame];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            
            update@Algorithm_Impl(self,iter)
            % 更新t
            self.update_t(iter);
            % 更新火焰數量
            self.update_flame_num(iter);
            % 更新飛蛾位置
            self.update_moth();
            % 更新火焰位置
            self.update_flame();
        end
        
        % 更新全局變量t
        function update_t(self,iter)
            min_t = -2.0;
            max_t = -1.0;
            self.t = max_t - (max_t -min_t)*iter/self.iter_max;
        end
        
        % 更新全局變量，火焰數量
        function update_flame_num(self,iter)
            num = floor(self.size-self.size*iter/self.iter_max);
            if(num<=0)
                num = 1;
            end
            self.flame_num = num;
        end
        
        % 更新飛蛾為位置
        function update_moth(self)
            for i = 1:self.size
                % 隨機選擇火焰id
                fi = randperm(self.flame_num,1);
                moth = self.unit_list(i);
                flame = self.flame_list(fi);
                
                r = unifrnd(self.t,1,1,self.dim);
                new_pos = flame.position + abs(moth.position - flame.position).*exp(r).*cos(2*pi*r);
                % 越界檢查
                new_pos = self.get_out_bound_value(new_pos);
                new_value = self.cal_fitfunction(new_pos);
                self.unit_list(i).value = new_value;
                self.unit_list(i).position = new_pos;
            end
        end
        
        % 更新火焰位置
        function update_flame(self)
            % 將火焰和飛蛾從優到劣排序
            all_list = [self.flame_list,self.unit_list,];
            [value,index] = sort([all_list.value],'descend');
            % 取較優的部分為火焰
            for i = 1:self.flame_num
                self.flame_list(i).position = all_list(index(i)).position;
                self.flame_list(i).value = all_list(index(i)).value;
            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_moth_flame\MFO_Impl.m
算法實現，繼承于Base,圖方便也可不寫，直接用MFO_Base，這里為了命名一致。

% 飛蛾撲火算法實現
classdef MFO_Impl < MFO_Base
   
    % 外部可調用的方法
    methods
        function self = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 調用父類構造函數設置參數
             self@MFO_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_moth_flame\Test.m

%% 清理之前的數據
% 清除所有數據
clear 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;

% 實例化飛蛾撲火算法類
base = MFO_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)]);