Matlab|混合战略改进的蝴蝶优化算法
目次1 主要内容
2 部分代码
3 程序结果
4 下载链接
1 主要内容
程序主要对蝴蝶算法（BOA）举行改进，参考文献《基于改进蝴蝶优化算法的冗余机器人逆活动学求解》，有如下改进战略：
[*]改进1：采用反向学习战略构建精英种群，提高种群质量
[*]改进2：在全局搜刮阶段，引入柯西变异，增强算法跳出局部最优的能力
[*]改进3：引入随机惯性权重改变前一位置对当前位置更新的影响，确保能跳出局部最优
https://img-blog.csdnimg.cn/img_convert/9ee8a13114617141e86e6bb2fb53a8aa.png
1.1 改进详细模型
https://img-blog.csdnimg.cn/img_convert/0521b06500884c62c0622802cd4c013b.png
https://img-blog.csdnimg.cn/img_convert/65d64f9e5e800ad465c9a94f128fe787.png
改进惯性权重方法比较常见，不同的非线性函数能够得到不同的优化方法，程序中采用sin函数构造惯性权重的进化曲线，固然大家在编程过程中也可以采用其他非线性函数，如Sigmoid函数（见下图），乃至可以用分段方式提高算法的创新性。
https://img-blog.csdnimg.cn/img_convert/78199db2863684554816b8ffc2923284.png
转自《一种改进惯性权重的混沌粒子群优化算法》—谷晓琳2 部分代码
function =IBOA(n,N_iter,Lb,Ub,dim,fobj)
p=0.8; % probabibility switch，开关概率
power_exponent=0.1; % 幂指数
sensory_modality=0.01; % 感觉因子
%Initialize the positions of search agents
% Sol=initialization(n,dim,Ub,Lb);
% ★★改进1：反向学习种群初始化★★
Sol_forward=initialization_for(n,dim,Ub,Lb);
Sol_backward=initialization_back(Sol_forward,n,dim,Ub,Lb);
Sol_all=;
for i = 1:2*n
Sol_all_fitness(i)=fobj(Sol_all(i,:));
end
[~,sorted_indexes]=sort(Sol_all_fitness);
for i = 1:n
Sol(i,:)=Sol_all(sorted_indexes(i),:);
end
for i=1:n
Fitness(i)=fobj(Sol(i,:));
end
% Find the current best_pos
=min(Fitness);
best_pos=Sol(I,:);
S=Sol;
% Start the iterations -- Butterfly Optimization Algorithm
for t=1:N_iter
for i=1:n% Loop over all butterflies/solutions
%Calculate fragrance of each butterfly which is correlated with objective function，计算与目标函数相关的每只蝴蝶的香味
Fnew=fobj(S(i,:));
FP=(sensory_modality*(Fnew^power_exponent)); % 每只蝴蝶的香味
%Global or local search
if rand 2：全局搜刮阶段引入柯西变异★★ ori_value = rand(1,dim);
3 程序结果
混合战略改进蝴蝶算法提供了23种测试函数，可以通过main程序修改测试函数，程序Get_Functions_detailsPRO有具体每个测试函数的公式，下面得到F2和F5两种测试函数下的原始算法和改进算法收敛性对比。
测试函数F2：
https://img-blog.csdnimg.cn/img_convert/0c0bd93138d6db132552b8a37b60f282.png
https://img-blog.csdnimg.cn/img_convert/3a0d1138f9e4345bede0831f472c3237.png
测试函数F5：
https://img-blog.csdnimg.cn/img_convert/9f403faef7e5105c893fe99e051306f5.png
https://img-blog.csdnimg.cn/img_convert/a6e4e53c1f83876053c009e7a39beaaf.png
4 下载链接
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]