群体智能优化算法-旗鱼优化算法 (Sailfish Optimizer, SFO，含Matlab源代码 - IT评测·应用市场-qidao123.com

function [Fbest_SF,x_eliteSF,HisBestFit] = SFO(npop, MaxIt, lb, ub, dim, fobj)
% SFO 主函数
% 输入参数：
% npop ：旗鱼数量 (Sailfish)
% MaxIt ：最大迭代次数
% lb, ub ：搜索空间下界与上界（可为标量或向量）
% dim ：问题维度
% fobj ：目标函数句柄
%
% 输出参数：
% Fbest_SF ：最终找到的最优旗鱼适应度值
% x_eliteSF ：对应的最优旗鱼位置
% HisBestFit ：每次迭代记录的旗鱼最优适应度历史
%% ------------------- 人工参数定义 ---------------------%%
NSF = npop; % Number of Sailfish (旗鱼数量)
NF = 2*npop; % Number of Sardine (沙丁鱼数量 = 旗鱼的2倍)
NF_rest = NF; % 当前剩余沙丁鱼数量
% 初始化种群空间
x_SF = zeros(NSF, dim); % 旗鱼位置
x_F = zeros(NF, dim); % 沙丁鱼位置
% 若 lb, ub 为标量，则扩展为向量
if length(lb)==1
lb = lb*ones(1,dim);
ub = ub*ones(1,dim);
end
%% ------------------- 1. 种群初始化 ------------------ %%
for i = 1:dim
x_SF(:,i) = lb(i) + (ub(i)-lb(i)).*rand(NSF,1); % 随机分布
x_F(:,i) = lb(i) + (ub(i)-lb(i)).*rand(NF,1);
end
% 计算初始适应度
for j = 1:NSF
Fitness_SF(j) = fobj(x_SF(j,:)); % 旗鱼适应度
end
for j = 1:NF
Fitness_F(j) = fobj(x_F(j,:)); % 沙丁鱼适应度
end
% 找到旗鱼与沙丁鱼最优解
[Fbest_SF, eliteSF] = min(Fitness_SF); % 最优旗鱼适应度 & 下标
[Fbest_F, injuredS] = min(Fitness_F); % 最优沙丁鱼适应度 & 下标
x_eliteSF = x_SF(eliteSF,:); % 最优旗鱼位置
x_injuredS= x_F(injuredS,:); % 最优沙丁鱼位置
% 参数设置
PD = 2/3; % prey density (沙丁鱼密度)
ks = 0.5/MaxIt; % 用于衰减的系数
%% ------------------- 2. 主循环迭代 ------------------ %%
for it = 1:MaxIt
% A 用于控制收敛系数, A 随迭代线性衰减
A = 4*(1 - it/MaxIt);
% AP 为进一步衰减
AP = A*(1 - (2*it*ks));
%----------- 2.1 更新所有旗鱼的位置 --------------%
for ii=1:NSF
lamda = 2*rand*PD - PD;
% x_SF(ii,:) = x_eliteSF - lamda*(rand*0.5*(x_eliteSF+x_injuredS)- x_SF(ii,:));
% 旗鱼向(最优旗鱼 & 最优沙丁鱼)之间的位置靠近，同时加入随机扰动 lamda
x_SF(ii,:) = x_eliteSF - lamda*( rand*0.5*(x_eliteSF + x_injuredS) - x_SF(ii,:) );
end
%----------- 2.2 更新沙丁鱼位置 --------------%
% alpha=ceil(AP*NF_rest) and beta=ceil(AP*dim)
alpha = ceil(AP * NF_rest); % 选取沙丁鱼群中 alpha 个
beta = ceil(AP * dim); % 选取维度的数量
for jj=1:NF_rest
if AP < 0.5
% 当 AP < 0.5时
sizepop_value = randperm((NF_rest-alpha+1), alpha) + alpha -1;
D_value = randperm((dim-beta+1), beta)+ beta -1;
for kk=1:dim
if ismember(jj,sizepop_value) && ismember(kk,D_value)
x_F(jj,kk) = rand*( x_eliteSF(kk) - x_F(jj,kk) + AP );
end
end
x_F(jj,:) = rand*(x_eliteSF - x_F(jj,:) + AP);
else
% 当 AP >= 0.5
x_F(jj,:) = rand*(x_eliteSF - x_F(jj,:) + AP);
end
end
%----------- 2.3 边界处理 --------------%
for k=1:dim
% 旗鱼的越界处理
Flag4ub = x_SF(:,k) > ub(k);
Flag4lb = x_SF(:,k) < lb(k);
x_SF(:,k) = ( x_SF(:,k).*(~(Flag4ub + Flag4lb)) ) + ub(k).*Flag4ub + lb(k).*Flag4lb;
% 沙丁鱼的越界处理
Flag4ub = x_F(:,k) > ub(k);
Flag4lb = x_F(:,k) < lb(k);
x_F(:,k) = ( x_F(:,k).*(~(Flag4ub + Flag4lb)) ) + ub(k).*Flag4ub + lb(k).*Flag4lb;
end
%----------- 2.4 重新计算旗鱼和沙丁鱼的适应度 --------------%
for i=1:NSF
Fitness_SF(i) = fobj(x_SF(i,:));
end
for j=1:NF_rest
Fitness_F(j) = fobj(x_F(j,:));
end
% 找到当前最优旗鱼, 最优沙丁鱼
[fbest_SF, eliteSF] = min(Fitness_SF);
[fbest_F, injuredS] = min(Fitness_F);
% 如果发现更优旗鱼则更新全局最优
if fbest_SF < Fbest_SF
Fbest_SF = fbest_SF;
x_eliteSF= x_SF(eliteSF,:);
end
% 如果发现更优沙丁鱼
if fbest_F < Fbest_F
Fbest_F = fbest_F;
x_injuredS = x_F(injuredS,:);
end
%----------- 2.5 捕食过程：将某个旗鱼替换为受伤沙丁鱼 --------------%
replace_num_SF = ceil(rand * NSF);
if Fitness_SF(replace_num_SF) > fbest_F
% 选中的旗鱼若适应度比最优沙丁鱼差，则被沙丁鱼替换
x_SF(replace_num_SF,:) = x_F(injuredS,:);
Fitness_SF(replace_num_SF)= fbest_F;
% 从沙丁鱼群移除该受伤(最优)沙丁鱼
x_F(injuredS,:)=[];
Fitness_F(injuredS)=[];
NF_rest = NF_rest - 1; % 沙丁鱼减少一条
end
%----------- 2.6 记录历史最优适应度 --------------%
HisBestFit(it) = Fbest_SF;
end
end

复制代码