注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值鳍刷，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)）翩腐。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值纵揍，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)）包个。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值私股，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)）摹察。
1.代碼實(shí)現(xiàn)
不了解和聲搜索算法可以先看看優(yōu)化算法筆記（二十六）和聲搜索算法
實(shí)現(xiàn)代碼前需要先完成優(yōu)化算法matlab實(shí)現(xiàn)（二）框架編寫中的框架的編寫
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 個(gè)體 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主體 |
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)圖像的編寫倡鲸。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 測(cè)試函數(shù)供嚎，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函數(shù)圖像，畫圖用 |
和聲搜索算法的個(gè)體沒有獨(dú)有屬性旦签。
和聲搜索算法個(gè)體
文件名：.. \optimization algorithm\algorithm_harmony_search\HS_Unit.m
% 和聲搜索算法個(gè)體
classdef HS_Unit < Unit
properties
end
methods
function self = HS_Unit()
end
end
end
和聲搜索算法算法主體
文件名：..\optimization algorithm\algorithm_harmony_search\HS_Base.m
% 和聲搜索算法
classdef HS_Base < Algorithm_Impl
properties
% 算法名稱
name = 'HS';
HMCR = 0.9;
PAR = 0.1;
% 維度分組map,key為維度序號(hào)查坪，value為群體該維度列表
dim_sort_map = containers.Map;
% 記錄新生成的個(gè)體
new_unit_list;
end
% 外部可調(diào)用的方法
methods
function self = HS_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 ='HS';
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 = HS_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
% 初始化map
for i = 1:self.dim
self.dim_sort_map(num2str(i))=[];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 排序個(gè)維度值
self.sort_group_dim();
% 生成新個(gè)體
self.get_position_new();
% 在新個(gè)體和老個(gè)體中選擇較優(yōu)的個(gè)體
self.choose();
end
% 將每一維從小到大排序
function sort_group_dim(self)
for d = 1:self.dim
d_list = [];
for s = 1:self.size
d_list = [d_list,self.unit_list(s).position(d)];
end
[value,index] = sort(d_list);
self.dim_sort_map(num2str(d))=value;
end
end
% 獲取鄰域范圍
function result = get_neighbour_value(self, d, value)
d_list = self.dim_sort_map(num2str(d));
d_min = d_list(1);
d_max = d_list(end);
for i = 1: length(d_list)
if value == d_list(i)
if i == 1
% 如果當(dāng)前值是該維度最小值
d_max = d_list(1);
elseif i == length(d_list)
% 如果當(dāng)前值是該維度最大值
d_min = d_list(end -1);
else
d_min = d_list(i - 1);
d_max = d_list(i + 1);
end
end
end
% 如果鄰域范圍最大值等于鄰域最小值則取解空間值。
if d_min == d_max
d_min = self.range_min_list(d);
d_max = self.range_max_list(d);
end
result = unifrnd(d_min, d_max);
end
% 獲取新位置
function get_position_new(self)
self.new_unit_list =[];
for s =1:self.size
new_pos = self.unit_list(s).position;
r1 = unifrnd(0,1,1,self.dim);
r2 = unifrnd(0,1,1,self.dim);
r_index = randperm(self.size,self.dim);
for d = 1:self.dim
if r1(d) < self.HMCR
new_pos(d) = self.unit_list(r_index(d)).position(d);
end
if r2(d) < self.PAR
new_pos(d) = self.get_neighbour_value(d, self.unit_list(s).position(d));
end
end
unit = HS_Unit();
unit.position = new_pos;
unit.value = self.cal_fitfunction(new_pos);
self.new_unit_list = [self.new_unit_list,unit];
end
end
% 選擇
function choose(self)
% 在unit_list 和 new_unit_list中保留較優(yōu)的個(gè)體
all_list = [self.unit_list,self.new_unit_list];
% 求最大值則降序排列
[value,index] = sort([all_list.value],'descend');
for i = 1:self.size
self.unit_list(i).position = all_list(index(i)).position;
self.unit_list(i).value = all_list(index(i)).value;
end
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
文件名：..\optimization algorithm\algorithm_harmony_search\HS_Impl.m
算法實(shí)現(xiàn)宁炫，繼承于Base,圖方便也可不寫偿曙，直接用HS_Base，這里為了命名一致羔巢。
% 和聲搜索算法實(shí)現(xiàn)
classdef HS_Impl < HS_Base
% 外部可調(diào)用的方法
methods
function self = HS_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@HS_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_harmony_search\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';
%[最小值望忆，最大值，維度竿秆，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)例化和聲搜索算法類
base = HS_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);
% 繪制曲線启摄，由于算法是求最大值，適應(yīng)度函數(shù)為求最小值幽钢，故乘了-1歉备，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)]);
