💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
🔊博主简介：985研究生，Matlab领域科研开发者；
🚅座右铭：行百里者，半于九十。
🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式
更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（进阶版）
⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！
⛄一、帝企鹅算法简介
目前，关于帝企鹅算法在国内外研究较少，在中对该算法进行了分析，并且与常见的粒子群算法、萤火虫算法进行了对比分析. 帝企鹅从事各种活动，如狩猎、群体觅食，是群居性动物.每当恶劣的气候来临，它们会挤在一起防风御寒.帝企鹅在南极极端冬季期间主要以集群的方式互相取暖来度过−40 ℃ 的冬季. 为了保证每只企鹅都能取暖，因此每只企鹅都在平等地做出贡献，同时它们的社交行为极为团结以及分工明确. 集群的行为可归纳如下.
1 确定集群边界范围
设定在帝企鹅蜷缩取暖的过程中所选择的位置范围在多边形的网格范围内，帝企鹅在聚集的过程中至少与两只以上的帝企鹅相邻，邻居的选择是随机的；而在帝企鹅集群过程中范围的边界是不规则的多边形，因此用围绕住帝企鹅集群的风的梯度来表示整体集群的边界，在此定义风速 和其梯度 、 ，集群边界 ，可表示为
γ = ∆α, (8) µ = α+iβ. (9) W
2 计算集群层次周围的温度
南极严酷的外界环境使得帝企鹅在迁徙过程中面对寒冷天气会采取集群取暖来保持温度. 若当前聚集半径 d>0.5 时，其温度 W=0；当 d<0.5 时，其温度 W=1. 温度梯度曲线可以描述为
其中， 为最大迭代次数，x 为当前迭代次数，温度的表达式
3 计算帝企鹅间的距离
在集群范围内帝企鹅间的距离表示为该个体与集群中心帝企鹅的距离，集群距离公式如下：
其中， 代表帝企鹅距中心距离； x 表示当前迭代数； 和 用于帝企鹅体积设置的影响向量因子，
避免个体间的冲突； 为 x 轮最优解；表示当前帝企鹅的位置向量； 定义帝企鹅的主体社会地位，负责区别最优个体与普通个体. 向量和 计算如下：
其中 ， 是移动步长参数，这里 的值设置为 2.5， 通过比较与最优的差异来定义多边形网格精度，而 是一个随机函数. 函数计算如下：
其中，ξ 和 φ是控制参数，其值分别在（2,3）（1.5,2）的范围内能得出更好的结果.
4 帝企鹅位置更新 帝企鹅集群中的个体通过向集群中心帝企鹅 Q 的方向移动更新位置信息，其位置更新如下：
Oep(x+1) = Obest(x)−ΓLep, (17)
其中，Oep(x+1)代表皇帝企鹅的下一个更新位置.在迭代过程中，一旦移动者重新定位，帝企鹅的上述参数将被重新计算.
⛄二、部分源代码
clc;
clear;
close all;
warning off
%% 固定随机数种子
noRNG=1;
rng(‘default’)
rng(noRNG)
%% 载入数据
data.numPJM=[3,5,7,9,11;
5,10,20,70,90;
3,5,7,15,19];
data.boundT=[5,10];
noPro=[1:length(data.numPJM(1,:))];
%parpool(8)
option.repeatNum=24;
%%
j=1;
%% 随机生成数据
data.sizeMap=20:20:100;
mapSize=data.sizeMap(j);
%%
data.map=rand(mapSize)<0.2;
data.S=[1,1];
data.E=[mapSize,mapSize];
data.map(data.S(1),data.S(2))=0;
data.map(data.E(1),data.E(2))=0;
[p1,p2]=find(data.map0);
data.node=[p1,p2];
data.noS=find(p1data.S(1) & p2data.S(2));
data.noE=find(p1data.E(1) & p2==data.E(2));
data.D=pdist2(data.node,data.node);
data.D1=pdist2(data.node,data.E);
[p1,p2]=find(data.D<=sqrt(2));
index=sub2ind([length(data.node(:,1)),length(data.node(:,1))],p1,p2);
data.net=[p1,p2,data.D(index)];
dim=length(index);
option.maxEfs=mapSize*1000;
%%
option.dim=dim;
lb=0;
ub=1;
option.lb=lb;
option.ub=ub;
if length(option.lb)==1
option.lb=ones(1,option.dim)*option.lb;
option.ub=ones(1,option.dim)*option.ub;
end
%option.fobj0=option.fobj;
option.showIter=0;
%% 算法参数设置 Parameters
% 基本参数
option.numAgent=100; %种群个体数
% 帝企鹅算法
option.v_lb=-(option.ub-option.lb)/4;
option.v_ub=(option.ub-option.lb)/4;
option.w2=0.5; %weight of Moving strategy III
option.w4=1;%weight of Moving strategy III
option.w5=1;%weight of Moving strategy III
option.pe=0.01; % rate to judge Premature convergence
option.gapMin=5; % min gap
option.dec=2; % dec of gap
option.L=10; % Catastrophe
%%
option.p1_GA=0.9;
option.p2_GA=0.1;
%% DE
option.F=0.5;
option.CR=0.5;
%% Imroved AFO
option.P_stratage=[0.05,0.2,0.7];
option.p=0.1;
option.alpha=10;
option.gama=1;
str_legend=[{‘IAFO’}];
selectedAlgorithm=[{@IAFO_Final1}];
data.sizeMap0=mapSize;
option.maxIteration=mapSize1000/option.numAgent; %最大迭代次数
option.maxEfs=mapSize1000;
option.dim=dim;
option.gap0=ceil(sqrt(option.maxIteration*2))+1;
lb=-ones(1,dim)*0;
ub=ones(1,dim)1;
option.lb=lb;
option.ub=ub;
%%
%% 初始化种群个体
%% 使用算法求解
for ii=1:length(selectedAlgorithm)
option.fobj=@aimFcn_PPP;
x=ones(option.numAgent,option.dim);
y=ones(option.numAgent,1);
for i=1:option.numAgent
x(i,:)=rand(size(option.lb)).(option.ub-option.lb)+option.lb;
y(i)=option.fobj(x(i,:),option,data);
end
rng(noRNG)
tic
[bestY(ii,:),bestX(ii,:),recording{ii}]=selectedAlgorithm{ii}(x,y,option,data);
recordingT(ii,j)=toc;
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]唐菁敏,曲文博,苏慧慧,郑锦文.一种基于帝企鹅差分算法的WSN覆盖优化[J].云南大学学报(自然科学版). 2021,43(01)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
