1 简介
针对传统果蝇算法 (FOA)搜索方向不均匀导致算法求解高维问题时收敛稳定性差和收敛精度低的问题,对果蝇算法的搜索机制进行研究,用扇区搜索机制替代传统搜索机制产生新型果蝇算法 (SS-FOA)。分析果蝇群搜索机制对果蝇飞行方向的影响,提出扇区搜索机制;提出再优化概念,将扇区搜索机制用于参考文献中优化算法再优化。对6个经典测试函数的实验结果表明,扇区搜索机制可用于果蝇优化算法再优化,有效提高被优化算法的收敛精度和稳定性。
果蝇算法通过模拟果蝇两种觅食行为寻找全局最优解。嗅觉搜索:果蝇会在空间中捕捉气味并逼近气味源;视 觉搜索:果蝇个体之间相互交流,记录最优位置设为种群坐标,其余果蝇通过视觉搜索向种群坐标靠近。
为了避免因果蝇群搜索不均匀所导致果蝇飞行方向单一的问题,提出一种均匀的果蝇群搜索机制。首先将以种群坐标为中心,搜索步长为半径的虚拟圆划分成多个扇区。再使每个果蝇都沿着属于自己的扇区飞行,每个果蝇的飞行步长都为 [0,L]的随机值,这样使果蝇飞向各个方向的概率相同。果蝇群只会向着味道浓度最大的方向前进,不会受到果蝇群分布不均匀的影响,从而提高算法的稳定性与收敛精度。
2 部分代码
%% FOA封装程序
clc;
clear all
close all
%% 初始化参数
maxgen=100; %最大迭代次数
sizepop=50;
dim=2;
L=1;
%% 初始化矩阵
X_best=zeros(maxgen,dim);
Y_best=zeros(maxgen,dim);
Smell_best=zeros(1,maxgen);
%% 初始化果蝇坐标;
X_axis=10*rand(1,dim);
Y_axis=10*rand(1,dim);
%% 生成果蝇群
[Si,X,Y]=gengrate_foa(X_axis,Y_axis,sizepop,dim,L);
%% 寻找最优个体
[BestSmell,Index]=find_Schaffer(Si);
SmellBest=BestSmell; %SmellBest为全局最优
%% 取出最优个体的两个维度的X,Y坐标
X_axis=X(Index,:);
Y_axis=Y(Index,:);
for g=1:maxgen
%% 生成果蝇群
[Si,X,Y]=gengrate_foa(X_axis,Y_axis,sizepop,dim,L);
%% 寻找最优个体
[BestSmell,Index]=find_Schaffer(Si);
if BestSmell<SmellBest
X_axis=X(Index,:);
Y_axis=Y(Index,:);
%更新极值
SmellBest=BestSmell;
end
Smell_best(g)=SmellBest;
X_best(g,:)=X_axis;
Y_best(g,:)=Y_axis;
end
%% 输出最终值
SmellBest
%% 绘制图像
figure(1)
plot(Smell_best,'b');
title('最佳个体适应度值变化趋势')
xlabel('迭代次数')
ylabel('适应度值')
img =gcf; %获取当前画图的句柄
print(img, '-dpng', '-r600', './img.png') %即可得到对应格式和期望dpi的图像
3 仿真结果
4 参考文献
[1]曹珍贯, 李智威, 余俊峰. 扇区搜索机制的果蝇优化算法[J]. 计算机工程与设计, 2019, 40(6):5.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。