注意：此代碼實現(xiàn)的是求目標函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）。
注意：此代碼實現(xiàn)的是求目標函數(shù)最大值目溉，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）谦纱。
注意：此代碼實現(xiàn)的是求目標函數(shù)最大值翎冲，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實現(xiàn)）绊率。
1.代碼實現(xiàn)
不了解煙花算法可以先看看優(yōu)化算法筆記（十二）煙花算法
實現(xiàn)代碼前需要先完成優(yōu)化算法matlab實現(xiàn)（二）框架編寫中的框架的編寫谨敛。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 個體 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主體 |
以及優(yōu)化算法matlab實現(xiàn)（四）測試粒子群算法中的測試函數(shù)、函數(shù)圖像的編寫滤否。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 測試函數(shù)佣盒，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函數(shù)圖像，畫圖用 |
煙花算法的個體沒有獨有屬性顽聂。
煙花算法個體
文件名：.. \optimization algorithm\algorithm_fireworks\FWA_Unit.m
% 煙花算法個體
classdef FWA_Unit < Unit
properties
end
methods
function self = FWA_Unit()
end
end
end
煙花算法主體
文件名：..\optimization algorithm\algorithm_fireworks\FWA_Base.m
% 煙花算法
classdef FWA_Base < Algorithm_Impl
properties
% 算法名稱
name = 'FWA';
% 生產(chǎn)火星數(shù)
m;
% 火星比例a
a;
% 火星比例b
b;
% 最大振幅
amplitude_max;
% 產(chǎn)生特殊火星數(shù)
spec_num;
% 記錄所有火星，選擇時用
all_list;
end
% 外部可調(diào)用的方法
methods
function self = FWA_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 ='FWA';
self.m=40;
self.a=0.2;
self.b=0.8;
self.spec_num = 5;
self.amplitude_max = 40;
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 = FWA_Unit();
% 隨機初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 計算適應(yīng)度值
unit.value = self.cal_fitfunction(unit.position);
% 將個體加入群體數(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)
% 生成火星
for i = 1:self.size
self.obtain_spark(i);
end
% 生成特殊火星
for num = 1:self.spec_num
rand = unidrnd(self.size);
self.obtain_spec_spark(rand);
end
% 選擇火星保留到下一代
self.select_sparks();
end
% 生成當前個體的火星
function obtain_spark(self,id)
% 計算該個體應(yīng)生成的火星數(shù)
num = self.get_spark_num(id);
% 計算當前個體振幅
amplitude = self.get_spark_amplitude(id);
% 依次生成n個火星
for n = 1:num
pos = self.unit_list(id).position;
for d = 1:self.dim
if(rand<0.5)
pos(d) = pos(d)+ amplitude*unifrnd(-1,1);
% 超出范圍則取模
if (pos(d)>self.range_max_list(d) || pos(d)<self.range_min_list(d))
pos(d) = self.range_min_list(d)+mod(pos(d),(self.range_max_list(d)-self.range_min_list(d)));
end
end
end
unit = FWA_Unit();
unit.position = pos;
unit.value = self.cal_fitfunction(pos);
self.all_list = [self.all_list,unit];
end
end
% 生成當前個體的特殊火星
function obtain_spec_spark(self,id)
pos = self.unit_list(id).position;
for d = 1:self.dim
if(rand<0.5)
pos(d) = pos(d)*normrnd(1,1);
% 超出范圍則取模
if (pos(d)>self.range_max_list(d) || pos(d)<self.range_min_list(d))
pos(d) = self.range_min_list(d)+mod(pos(d),(self.range_max_list(d)-self.range_min_list(d)));
end
end
end
unit = FWA_Unit();
unit.position = pos;
unit.value = self.cal_fitfunction(pos);
self.all_list = [self.all_list,unit];
end
% 選擇火星保留到下一代
function select_sparks(self)
self.all_list = [self.all_list,self.unit_list];
[max_value,max_value_id] = max([self.all_list.value]);
% 計算保留各個個體的概率
rates=zeros(length(self.all_list(:)));
% 總距離
dist_sum=0;
for i = 1:length(self.all_list(:))
% 計算距離和（使用適應(yīng)度函數(shù)值計算）
dist = 0;
for j = 1:length(self.all_list(:))
dist = dist + abs(self.all_list(i).value-self.all_list(j).value);
end
dist_sum = dist_sum + dist;
rates(i) = dist;
end
% 將概率歸一到[0,1]內(nèi)
rates = rates/dist_sum;
for i = 1:self.size
if (i ==1)
% 保留最優(yōu)個體到第列表中的第一個
self.unit_list(1).position = self.all_list(max_value_id).position;
self.unit_list(1).value = self.all_list(max_value_id).value;
else
for j = 1:length(self.all_list(:))
if(rand<rates(j))
self.unit_list(i).position = self.all_list(j).position;
self.unit_list(i).value = self.all_list(j).value;
break
end
end
end
end
% 將數(shù)組清空
self.all_list=[];
end
% 獲取當前應(yīng)產(chǎn)生的火星數(shù)
function num = get_spark_num(self,id)
value_min = min([self.unit_list.value]);
value_sum = sum([self.unit_list.value]);
value = self.unit_list(id).value;
num = round(self.m*(value-value_min+realmin('double'))/(value_sum-self.size*value_min+realmin('double')));
if(num<self.a*self.m)
num = round(self.a*self.m);
elseif(num<self.b*self.m)
num = round(self.b*self.m);
else
end
end
% 獲取當前火星振幅
function amplitude = get_spark_amplitude(self,id)
value_max = max([self.unit_list.value]);
value_sum = sum([self.unit_list.value]);
value = self.unit_list(id).value;
amplitude = self.amplitude_max*(value_max-value+realmin('double'))/(self.size*value_max-value_sum+realmin('double'));
end
% 獲取當前最優(yōu)個體的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_fireworks\FWA_Impl.m
算法實現(xiàn)盯仪，繼承于Base,圖方便也可不寫紊搪，直接用FWA_Base，這里為了命名一致全景。
%煙花算法實現(xiàn)
classdef FWA_Impl < FWA_Base
% 外部可調(diào)用的方法
methods
function self = FWA_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@FWA_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_fireworks\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';
%[最小值耀石，最大值，維度爸黄，測試函數(shù)]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法實例
% 種群數(shù)量
size = 5; % 煙花算法種群數(shù)要比其他少滞伟，一個個體會產(chǎn)生數(shù)個火星
% 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;
% 實例化煙花算法類
base = FWA_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炕贵，適應(yīng)度函數(shù)為求最小值梆奈，故乘了-1，此時去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標軸調(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)]);
