注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值兜辞，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)）逸吵。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值扫皱，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)）韩脑。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值段多，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)）壮吩。
1.代碼實(shí)現(xiàn)
不了解混合蛙跳算法可以先看看優(yōu)化算法筆記（十六）混合蛙跳算法
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）測試粒子群算法中的測試函數(shù)拣宏、函數(shù)圖像的編寫勋乾。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 測試函數(shù)辑莫，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函數(shù)圖像摆昧，畫圖用 |
混合蛙跳算法的個(gè)體沒有獨(dú)有屬性绅你。
混合蛙跳算法個(gè)體
文件名：.. \optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Unit.m
% 混合蛙跳算法個(gè)體
classdef SFLA_Unit < Unit
properties
end
methods
function self = SFLA_Unit()
end
end
end
混合蛙跳算法算法主體
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Base.m
% 混合蛙跳算法
classdef SFLA_Base < Algorithm_Impl
properties
% 算法名稱
name = 'SFLA';
% 分組數(shù)
meme_num;
% 分組id
meme_list;
end
% 外部可調(diào)用的方法
methods
function self = SFLA_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 ='SFLA';
% 每兩只青蛙一組
self.meme_num = floor(self.size/2);
self.meme_list = [];
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 = SFLA_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];
for i = 1:self.meme_num
self.meme_list=[self.meme_list,[]];
end
disp(self.meme_list)
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
for i = 1:self.meme_num
self.meme_list(i,:) = self.divide_meme(i);
end
for i = 1:self.meme_num
self.update_worst_position(self.meme_list(i));
end
end
% 分組
function meme_list = divide_meme(self,meme_id)
% 求最大值偶垮，降序排列
[value,index] = sort([self.unit_list.value],'descend');
% 對(duì)index 取模分組
meme_list = [];
for s = meme_id:self.meme_num:self.size
meme_list = [meme_list,index(s)];
end
end
% 更新每一組的最差個(gè)體位置
function update_worst_position(self,id_list)
% 因?yàn)橐呀?jīng)排序似舵，故id_list中的第1個(gè)體就是本組的最優(yōu)個(gè)體
% 最后一個(gè)個(gè)體是最差個(gè)體砚哗，需要更新的個(gè)體
meme_best_id = id_list(1);
meme_worst_id = id_list(end);
% 1.向著組內(nèi)最優(yōu)個(gè)體前進(jìn)
new_pos = self.unit_list(meme_worst_id).position+unifrnd(0,2,1,self.dim).*(self.unit_list(meme_best_id).position-self.unit_list(meme_worst_id).position);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if(new_value > self.unit_list(meme_worst_id).value)
% 如果新位置更好蛛芥，直接結(jié)束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 2.向著全局最優(yōu)個(gè)體前進(jìn)
new_pos = self.unit_list(meme_worst_id).position+unifrnd(0,2,1,self.dim).*(self.position_best-self.unit_list(meme_worst_id).position);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if(new_value > self.unit_list(meme_worst_id).value)
% 如果新位置更好仅淑，直接結(jié)束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 3.隨機(jī)選擇一個(gè)位置,不管好壞
new_pos = unifrnd(self.range_min_list,self.range_max_list);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_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
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Impl.m
算法實(shí)現(xiàn)，繼承于Base,圖方便也可不寫昆禽，直接用SFLA_Base蝗蛙，這里為了命名一致蝇庭。
% 混合蛙跳算法實(shí)現(xiàn)
classdef SFLA_Impl < SFLA_Base
% 外部可調(diào)用的方法
methods
function self = SFLA_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@SFLA_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.測試
測試F1
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\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;
%% 添加框架路徑
% 將上級(jí)目錄中的frame文件夾加入路徑
addpath('../frame')
%% 選擇測試函數(shù)
Function_name='F1';
% [最小值醉鳖，最大值，維度哮内，測試函數(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)例化混合蛙跳算法類
base = SFLA_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告訴算法求不是求最大值
base.is_cal_max = false;
% 確定適應(yīng)度函數(shù)
base.fitfunction =fobj;
% 運(yùn)行
base.run();
%% 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
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)]);
