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
不了解混合蛙跳算法可以先看看優化算法筆記（十六）混合蛙跳算法
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 |
混合蛙跳算法的個體沒有獨有屬性。
混合蛙跳算法個體
文件名：.. \optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Unit.m
% 混合蛙跳算法個體
classdef SFLA_Unit < Unit
properties
end
methods
function self = SFLA_Unit()
end
end
end
混合蛙跳算法算法主體
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Base.m
% 混合蛙跳算法
classdef SFLA_Base < Algorithm_Impl
properties
% 算法名稱
name = 'SFLA';
% 分組數
meme_num;
% 分組id
meme_list;
end
% 外部可調用的方法
methods
function self = SFLA_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 ='SFLA';
% 每兩只青蛙一組
self.meme_num = floor(self.size/2);
self.meme_list = [];
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 = SFLA_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];
for i = 1:self.meme_num
self.meme_list=[self.meme_list,[]];
end
disp(self.meme_list)
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
for i = 1:self.meme_num
self.meme_list(i,:) = self.divide_meme(i);
end
for i = 1:self.meme_num
self.update_worst_position(self.meme_list(i));
end
end
% 分組
function meme_list = divide_meme(self,meme_id)
% 求最大值，降序排列
[value,index] = sort([self.unit_list.value],'descend');
% 對index 取模分組
meme_list = [];
for s = meme_id:self.meme_num:self.size
meme_list = [meme_list,index(s)];
end
end
% 更新每一組的最差個體位置
function update_worst_position(self,id_list)
% 因為已經排序，故id_list中的第1個體就是本組的最優個體
% 最后一個個體是最差個體，需要更新的個體
meme_best_id = id_list(1);
meme_worst_id = id_list(end);
% 1.向著組內最優個體前進
new_pos = self.unit_list(meme_worst_id).position+unifrnd(0,2,1,self.dim).*(self.unit_list(meme_best_id).position-self.unit_list(meme_worst_id).position);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if(new_value > self.unit_list(meme_worst_id).value)
% 如果新位置更好，直接結束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 2.向著全局最優個體前進
new_pos = self.unit_list(meme_worst_id).position+unifrnd(0,2,1,self.dim).*(self.position_best-self.unit_list(meme_worst_id).position);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if(new_value > self.unit_list(meme_worst_id).value)
% 如果新位置更好，直接結束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 3.隨機選擇一個位置,不管好壞
new_pos = unifrnd(self.range_min_list,self.range_max_list);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
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_shuffled_frog_leaping\SFLA_Impl.m
算法實現，繼承于Base,圖方便也可不寫，直接用SFLA_Base，這里為了命名一致。
% 混合蛙跳算法實現
classdef SFLA_Impl < SFLA_Base
% 外部可調用的方法
methods
function self = SFLA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 調用父類構造函數設置參數
self@SFLA_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_shuffled_frog_leaping\Test.m
%% 清理之前的數據
% 清除所有數據
clear all;
% 清除窗口輸出
clc;
%% 添加框架路徑
% 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;
% 實例化混合蛙跳算法類
base = SFLA_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告訴算法求不是求最大值
base.is_cal_max = false;
% 確定適應度函數
base.fitfunction =fobj;
% 運行
base.run();
%% 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
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)]);
