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
不了解海底捕食者算法可以先看看優化算法筆記（三十）海洋捕食者算法
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 |
海底捕食者算法的個體有獨有屬性：每個個體需要記錄獵物的位置。
海底捕食者算法個體
文件名：.. \optimization algorithm\algorithm_marine_predator\MPA_Unit.m
% 海底捕食者算法個體
classdef MPA_Unit < Unit
properties
% 獵物位置
position_prey
end
methods
function self = MPA_Unit()
end
end
end
文件名：.. \optimization algorithm\algorithm_marine_predator\MPA_Base.m
% 海底捕食者算法
classdef MPA_Base < Algorithm_Impl
properties
% 算法名稱
name = 'MPA';
FADs = 0.2;
end
% 外部可調用的方法
methods
function self = MPA_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 ='MPA';
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 = MPA_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);
unit.position_prey = unit.position;
% 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)
if (iter< self.iter_max/3)
self.phase1();
elseif(iter< self.iter_max*2/3)
self.phase2(iter);
else
self.phase3(iter);
end
self.update_elite();
self.update_FADs(iter);
end
% 階段一：前1/3
function phase1(self)
for i = 1:self.size
prey_new = zeros(1,self.dim);
step_size = normrnd(0,1,1,self.dim).*(self.unit_list(i).position - self.unit_list(i).position_prey);
prey_new = self.unit_list(i).position_prey + unifrnd(0,0.5,1,self.dim).*step_size;
% 越界檢查
prey_new = self.get_out_bound_value(prey_new);
% 保存
self.unit_list(i).position_prey = prey_new;
end
end
% 階段二:1/3-2/3
function phase2(self,iter)
cf = self.get_cf(iter);
for i = 1:self.size
prey_new = zeros(1,self.dim);
if i < self.size/2
step_size = Levy(self.dim).*(self.unit_list(i).position - self.unit_list(i).position_prey);
prey_new = self.unit_list(i).position_prey + unifrnd(0,0.5,1,self.dim).*step_size;
else
step_size = normrnd(0,1,1,self.dim).*(self.unit_list(i).position - self.unit_list(i).position_prey);
prey_new = self.unit_list(i).position + 0.5*cf*step_size;
end
% 越界檢查
prey_new = self.get_out_bound_value(prey_new);
% 保存
self.unit_list(i).position_prey = prey_new;
end
end
% 階段三:2/3-1
function phase3(self,iter)
cf = self.get_cf(iter);
for i = 1:self.size
step_size = Levy(self.dim).*(self.unit_list(i).position - self.unit_list(i).position_prey);
prey_new = self.position_best + 0.5*cf*step_size;
% 越界檢查
prey_new = self.get_out_bound_value(prey_new);
% 保存
self.unit_list(i).position_prey = prey_new;
end
end
% 更新精英個體
function update_elite(self)
for i = 1:self.size
value = self.cal_fitfunction(self.unit_list(i).position_prey);
if value > self.unit_list(i).value
self.unit_list(i).value = value;
self.unit_list(i).position = self.unit_list(i).position_prey;
end
end
end
function update_FADs(self,iter)
cf = self.get_cf(iter);
for i = 1:self.size
prey_new = zeros(1,self.dim);
% 隨機選擇兩個個體可以相同
r1 = unidrnd(self.size);
r2 = unidrnd(self.size);
% 產生一個dim維的0-1整數序列
U = unidrnd(2,1,self.dim)-1;
% 產生一個dim維的0-1浮點數序列
r = unifrnd(0,1,1,self.dim);
I = r <= self.FADs;
J = r > self.FADs;
prey_new(I) = self.unit_list(i).position_prey(I) + cf*U(I).*unifrnd(self.range_min_list(I),self.range_max_list(I));
prey_new(J) = self.unit_list(i).position_prey(J) + (self.FADs*(1-r(J))+r(J)).*(self.unit_list(r1).position_prey(J) - self.unit_list(r2).position_prey(J));
% 越界檢查
prey_new = self.get_out_bound_value(prey_new);
% 保存
self.unit_list(i).position_prey = prey_new;
end
end
function cf = get_cf(self,iter)
cf = power((1-iter/self.iter_max), 2.0*iter/self.iter_max);
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
function o=Levy(d)
beta=1.5;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);
o=step;
end
文件名：..\optimization algorithm\algorithm_marine_predator\MPA_Impl.m
算法實現，繼承于Base,圖方便也可不寫，直接用MPA_Base，這里為了命名一致。
% 海底捕食者算法實現
classdef MPA_Impl < MPA_Base
% 外部可調用的方法
methods
function self = MPA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 調用父類構造函數設置參數
self@MPA_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_marine_predator\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;
% 實例化海底捕食者算法類
base = MPA_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)]);
