注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1.代码实现
不了解混合蛙跳算法可以先看看优化算法笔记（十六）混合蛙跳算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 个体 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 测试函数，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函数图像，画图用 |
混合蛙跳算法的个体没有独有属性。
混合蛙跳算法个体
文件名：.. \optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Unit.m
% 混合蛙跳算法个体
classdef SFLA_Unit < Unit
properties
end
methods
function self = SFLA_Unit()
end
end
end
混合蛙跳算法算法主体
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\SFLA_Base.m
% 混合蛙跳算法
classdef SFLA_Base < Algorithm_Impl
properties
% 算法名称
name = 'SFLA';
% 分组数
meme_num;
% 分组id
meme_list;
end
% 外部可调用的方法
methods
function self = SFLA_Base(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.name ='SFLA';
% 每两只青蛙一组
self.meme_num = floor(self.size/2);
self.meme_list = [];
end
end
% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
%初始化种群
for i = 1:self.size
unit = SFLA_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算适应度值
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
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
% 分组
function meme_list = divide_meme(self,meme_id)
% 求最大值，降序排列
[value,index] = sort([self.unit_list.value],'descend');
% 对index 取模分组
meme_list = [];
for s = meme_id:self.meme_num:self.size
meme_list = [meme_list,index(s)];
end
end
% 更新每一组的最差个体位置
function update_worst_position(self,id_list)
% 因为已经排序，故id_list中的第1个体就是本组的最优个体
% 最后一个个体是最差个体，需要更新的个体
meme_best_id = id_list(1);
meme_worst_id = id_list(end);
% 1.向着组内最优个体前进
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，直接结束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 2.向着全局最优个体前进
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，直接结束
self.unit_list(meme_worst_id).value = new_value;
self.unit_list(meme_worst_id).position = new_pos;
return;
end
% 3.随机选择一个位置,不管好坏
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
% 获取当前最优个体的id
function best_id=get_best_id(self)
% 求最大值则降序排列
[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
算法实现，继承于Base,图方便也可不写，直接用SFLA_Base，这里为了命名一致。
% 混合蛙跳算法实现
classdef SFLA_Impl < SFLA_Base
% 外部可调用的方法
methods
function self = SFLA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@SFLA_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.测试
测试F1
文件名：..\optimization algorithm\algorithm_shuffled_frog_leaping\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 选择测试函数
Function_name='F1';
% [最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim)*ub;
% 取值范围下界
range_min_list = ones(1,dim)*lb;
% 实例化混合蛙跳算法类
base = SFLA_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();
%% 绘制图像
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);
% 绘制曲线
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
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)]);
