1.編寫框架的目的

在優化算法筆記（一）優化算法的介紹中，已經介紹過了優化算法的基本結構。大多數優化算法的結構都是十分相似的。
　　實現單個算法時，我們可能不需要什么框架。但是我們需要算法之間的對比，免不了需要實現多個算法。
　　由于優化算法之間的結構大致相同，所以我們可以將其相同的部分或者模塊抽離出來，形成公共的部分，我們只需要關注每一個算法自身獨特的部分即可。
　　為了實現公共部分的抽離，我們需要用到面向對象的思想。在matlab中使用類（classdef）來定義一個基礎類，其中編寫公共代碼，在其他類中只需繼承基礎類并實現自身獨有的方法即可。

2．優化算法公共部分

將優化算法進行抽象可以得到三個部分：種群（個體），規則，環境。
　　其中種群即優化算法中個體組成的種群，規則則是各個優化算法中的算子，環境為我們需要求解的適應度環境。優化算法也可以描述成：在種群中求解在一定規則下最適應目標環境的個體。

具體實現時，我們需要實現的是
（1）個體（種群為個體的列表）
（2）規則（優化算法流程）

2.1個體

各算法中個體的差異其實還是挺大的，不過個體的公共屬性比較簡單只有兩個
（1）位置：適應度函數的輸入。
（2）值：適應度函數的值。

2.2 規則

規則其實就是算法的主題，算法的執行過程。每個算法的執行過程必然不一樣（一樣那就是同一個算法了）。但是算法的執行流程還是有很多相同的部分的。

（1）初始化：初始化個體，一般是在解空間內隨機初始化。
（2）循環迭代：在最大迭代次數內執行指定步驟
（3）記錄：記錄每代的最優解，最優值

3．實現

下面是完整的代碼，需要自己動手組成框架。
總目錄:../optimization algorithm
框架目錄:../optimization algorithm/frame
框架文件：

文件內容：
Unit.m

% 個體基類
classdef Unit
    properties
        % 個體的位置
        position
        % 個體的適應度值
        value
    end
    
    methods
        function self = Unit()
        end
    end
    
end

Algorithm_Impl.m

% 優化算法基類
classdef Algorithm_Impl < handle
    properties
        %當前最優位置
        position_best;
        %當前最優適應度
        value_best;
        %歷史最優適應度
        value_best_history;
        %歷史最優位置
        position_best_history;
        %是否為求最大值,默認為是
        is_cal_max;
        %適應度函數，需要單獨傳入
        fitfunction;
        % 調用適應度函數次數
        cal_fit_num = 0;
    end
    properties(Access = protected)
        %維度
        dim;
        %種群中個體的數量
        size;
        %最大迭代次數
        iter_max;
        %解空間下界
        range_min_list;
        %解空間上界
        range_max_list;
        %種群列表
        unit_list;
    end
    
    methods
         % 運行，調用入口
        function run(self)
            tic
            self.init()
            self.iteration()
            toc
            disp(['運行時間: ',num2str(toc)]);

        end
    end
    
    methods (Access = protected)
        % 構造函數
        function self = Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list)
            self.dim =dim;
            self.size = size;
            self.iter_max = iter_max;
            self.range_min_list = range_min_list;
            self.range_max_list = range_max_list;
            %默認為求最大值
            self.is_cal_max = true;
        end
        
        % 初始化
        function init(self)
            self.position_best=zeros(1,self.dim);
            self.value_best_history=[];
            self.position_best_history=[];
            %設置初始最優值，由于是求最大值，所以設置了最大浮點數的負值
            self.value_best = -realmax('double');
        end
        
        % 開始迭代
        function iteration(self)
            for iter = 1:self.iter_max
                self.update(iter)
            end
        end
        
        % 處理一次迭代
        function update(self,iter)
            % 記錄最優值
            for i = 1:self.size
                if(self.unit_list(i).value>self.value_best)
                    self.value_best = self.unit_list(i).value;
                    self.position_best = self.unit_list(i).position;
                end
            end
            disp(['第' num2str(iter) '代']);
            if(self.is_cal_max)
                self.value_best_history(end+1) = self.value_best;
                disp(['最優值=' num2str(self.value_best)]);
            else
                self.value_best_history(end+1) = -self.value_best;
                disp(['最優值=' num2str(-self.value_best)]);
            end
            self.position_best_history = [self.position_best_history;self.position_best];
            disp(['最優解=' num2str(self.position_best)]);
        end
        
        function value = cal_fitfunction(self,position)
            if(isempty(self.fitfunction))
                value = 0;
            else
                % 如果適應度函數不為空則返回適應度值
                if(self.is_cal_max)
                    value = self.fitfunction(position);
                else
                    value = -self.fitfunction(position);
                end
            end
            self.cal_fit_num = self.cal_fit_num+1;
        end
        
        % 越界檢查,超出邊界則停留在邊界上
        function s=get_out_bound_value(self,position,min_list,max_list)
          if(~exist('min_list','var'))
              min_list = self.range_min_list;
          end
          if(~exist('max_list','var'))
              max_list = self.range_max_list;
          end
          % Apply the lower bound vector
          position_tmp=position;
          I=position_tmp<min_list;
          position_tmp(I)=min_list(I);

          % Apply the upper bound vector
          J=position_tmp>max_list;
          position_tmp(J)=max_list(J);
          % Update this new move
          s=position_tmp;
        end
        
        % 越界檢查,超出邊界則在解空間內隨機初始化
        function s=get_out_bound_value_rand(self,position,min_list,max_list)
          if(~exist('min_list','var'))
              min_list = self.range_min_list;
          end
          if(~exist('max_list','var'))
              max_list = self.range_max_list;
          end
          position_rand = unifrnd(self.range_min_list,self.range_max_list);
          % Apply the lower bound vector
          position_tmp=position;
          I=position_tmp<min_list;
          position_tmp(I)=position_rand(I);

          % Apply the upper bound vector
          J=position_tmp>max_list;
          position_tmp(J)=position_rand(J);
          % Update this new move
          s=position_tmp;
        end
        
        
    end

    events
    end
end

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）。

4.測試（bushi）

這里只是實現了優化算法框架的公共部分，這還不是一個完整的優化算法，我們無法使用它來求解，在下一篇，在框架的基礎上實現 粒子群算法。