注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）脊凰。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值茂腥，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）最岗。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）懒豹。

1.代碼實(shí)現(xiàn)

不了解蝴蝶算法可以先看看優(yōu)化算法筆記（二十三）蝴蝶算法
實(shí)現(xiàn)代碼前需要先完成優(yōu)化算法matlab實(shí)現(xiàn)（二）框架編寫(xiě)中的框架的編寫(xiě)脸秽。

以及優(yōu)化算法matlab實(shí)現(xiàn)（四）測(cè)試粒子群算法中的測(cè)試函數(shù)、函數(shù)圖像的編寫(xiě)驮樊。

蝴蝶算法的個(gè)體有獨(dú)有屬性：刺激強(qiáng)度曙聂，是一個(gè)數(shù)值断国。
蝴蝶算法個(gè)體
文件名：.. \optimization algorithm\algorithm_butterfly\BFA_Unit.m

% 蝴蝶算法個(gè)體
classdef BFA_Unit < Unit
    
    properties
        % 刺激強(qiáng)度
        intensity = 1.0;
    end
    
    methods
        function self = BFA_Unit()
        end
    end
    
end

蝴蝶算法算法主體
文件名：..\optimization algorithm\algorithm_butterfly\BFA_Base.m

% 蝴蝶算法
classdef BFA_Base  < Algorithm_Impl
    
    properties
        % 算法名稱
        name = 'BFA';
        % 指數(shù)
        exponent = 0.01;
        % 模式狀態(tài)
        c = 0.1;
        % 全局搜索概率
        p = 0.8;
        
    end
    
    % 外部可調(diào)用的方法
    methods
        function self = BFA_Base(dim,size,iter_max,range_min_list,range_max_list)
            % 調(diào)用父類構(gòu)造函數(shù)
            self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
            self.name ='BFA';
        end
    end
    
    % 繼承重寫(xiě)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 = BFA_Unit();
                % 隨機(jī)初始化位置：rand(0,1).*(max-min)+min
                unit.position = unifrnd(self.range_min_list,self.range_max_list);
                % 計(jì)算適應(yīng)度值
                unit.value = self.cal_fitfunction(unit.position);
                % 將個(gè)體加入群體數(shù)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)
            
            for i = 1:self.size
                if rand< self.p
                    % 全局搜索
                    self.get_global_search_position(i);
                else
                    % 局部搜索
                    self.get_local_search_position(i);
                end
            end
            
        end
       
        % 全局搜索位置
        function get_global_search_position(self,id)
            r = unifrnd(0,1,1,self.dim).^2;
            unit = self.unit_list(id);
            new_pos = unit.position+(r.*self.position_best-unit.position)*self.c*unit.intensity^self.exponent.*Levy(self.dim);
            % 越界檢查
            new_pos = self.get_out_bound_value(new_pos);
            new_value = self.cal_fitfunction(new_pos);
            self.unit_list(id).value = new_value;
            self.unit_list(id).position = new_pos;
        end
        
        % 局部搜索位置
        function get_local_search_position(self,id)
            % 隨機(jī)選取兩個(gè)個(gè)體
            r_ids = randperm(self.size,2);
            r = unifrnd(0,1,1,self.dim).^2;
            unit = self.unit_list(id);
            % 獲取兩個(gè)隨機(jī)個(gè)體
            unit1 = self.unit_list(r_ids(1));
            unit2 = self.unit_list(r_ids(2));
            new_pos = unit.position+(r.*unit1.position-unit2.position)*self.c*unit.intensity^self.exponent.*Levy(self.dim);
            % 越界檢查
            new_pos = self.get_out_bound_value(new_pos);
            new_value = self.cal_fitfunction(new_pos);
            self.unit_list(id).value = new_value;
            self.unit_list(id).position = new_pos;
        end
        
        
        % 獲取當(dāng)前最優(yōu)個(gè)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_butterfly\BFA_Impl.m
算法實(shí)現(xiàn)薄疚，繼承于Base,圖方便也可不寫(xiě)街夭，直接用BFA_Base，這里為了命名一致埃碱。

% 蝴蝶算法實(shí)現(xiàn)
classdef BFA_Impl < BFA_Base
   
    % 外部可調(diào)用的方法
    methods
        function self = BFA_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 調(diào)用父類構(gòu)造函數(shù)設(shè)置參數(shù)
             self@BFA_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2.測(cè)試

測(cè)試F1
文件名：..\optimization algorithm\algorithm_butterfly\Test.m

%% 清理之前的數(shù)據(jù)
% 清除所有數(shù)據(jù)
clear all;
% 清除窗口輸出
clc;

%% 添加目錄
% 將上級(jí)目錄中的frame文件夾加入路徑
addpath('../frame')


%% 選擇測(cè)試函數(shù)
Function_name='F1';
%[最小值，最大值瓮具，維度名党，測(cè)試函數(shù)]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 算法實(shí)例
% 種群數(shù)量
size = 50;
% 最大迭代次數(shù)
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(shí)例化蝴蝶算法類
base = BFA_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 確定適應(yīng)度函數(shù)
base.fitfunction = fobj;
% 運(yùn)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睛藻，適應(yīng)度函數(shù)為求最小值店印，故乘了-1，此時(shí)去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標(biāo)軸調(diào)整為緊湊型
axis tight
% 添加網(wǎng)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)]);

figure1.jpg