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
  

1.1 改进详细模型

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。

   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

1. function [fmin,best_pos,Convergence_curve]=IBOA(n,N_iter,Lb,Ub,dim,fobj)
2. ​
3. p=0.8; % probabibility switch，开关概率
4. power_exponent=0.1; % 幂指数
5. sensory_modality=0.01; % 感觉因子
6. ​
7. %Initialize the positions of search agents
8. % Sol=initialization(n,dim,Ub,Lb);
9. % ★★改进1：反向学习种群初始化★★
10. Sol_forward=initialization_for(n,dim,Ub,Lb);
11. Sol_backward=initialization_back(Sol_forward,n,dim,Ub,Lb);
12. Sol_all=[Sol_forward;Sol_backward];
13. for i = 1:2*n
14.     Sol_all_fitness(i)=fobj(Sol_all(i,:));
15. end
16. [~,sorted_indexes]=sort(Sol_all_fitness);
17. for i = 1:n
18.     Sol(i,:)=Sol_all(sorted_indexes(i),:);
19. end
20. ​
21. for i=1:n
22.     Fitness(i)=fobj(Sol(i,:));
23. end
24. ​
25. % Find the current best_pos
26. [fmin,I]=min(Fitness);
27. best_pos=Sol(I,:);
28. S=Sol;
29. ​
30. % Start the iterations -- Butterfly Optimization Algorithm
31. for t=1:N_iter
32.         
33.         for i=1:n% Loop over all butterflies/solutions
34.          
35.           %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
36.           Fnew=fobj(S(i,:));
37.           FP=(sensory_modality*(Fnew^power_exponent)); % 每只蝴蝶的香味
38. ​
39.           %Global or local search
40.           if rand

复制代码

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：

测试函数F5：

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。