【智能算法】果蝇算法(FOA)原理及实现

这篇具有很好参考价值的文章主要介绍了【智能算法】果蝇算法(FOA)原理及实现。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【智能算法】果蝇算法(FOA)原理及实现,智能算法,算法


1.背景

2011年,Pan受到果蝇搜索食物自然行为的启发,提出了果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)。

2.算法原理

2.1算法思想

果蝇根据气味确定食物位置,食物的距离影响气味的浓度。每次搜寻果蝇的位置会根据气味最浓的果蝇位置附近进行随机游走。

2.2算法过程

【智能算法】果蝇算法(FOA)原理及实现,智能算法,算法

群体位置初始化:
这里将求解问题中的解向量 x x x映射到果蝇算法空间 ( X , Y ) (X,Y) (X,Y)
X _ a x i s = l b + r a n d ∗ ( u b − l b ) Y _ a x i s = l b + r a n d ∗ ( u b − l b ) X_{\_axis}= lb+rand*(ub-lb) \\ Y_{\_axis}= lb+rand*(ub-lb) X_axis=lb+rand(ublb)Y_axis=lb+rand(ublb)
计算气味浓度
由于事先不知道食物的具体位置,因此根据计算果蝇与原点的距离,气味浓度与距离呈反比。
D i s t i = X i 2 + Y i 2 S i = 1 D i s t i Dist_{i}=\sqrt{X_i^2+Y_i^2} \\ S_i=\frac{1}{Dist_{i}} Disti=Xi2+Yi2 Si=Disti1
其中, S i S_i Si表示第 i i i只果蝇位置处的浓度判定值。
气味浓度评定与位置更新
将浓度判定值代入适应度函数计算得到气味浓度值 S m e l l i Smell_i Smelli
S m e l l i = f i t n e s s ( S i ) Smell_i=fitness(S_i) Smelli=fitness(Si)
对所有果蝇的气味浓度值进行排序,得到气味浓度最强的果蝇位置:
[ b e s t S e m l l , b e s t I d x ] = m i n ( S m e l l ) [bestSemll,bestIdx]=min(Smell) [bestSemll,bestIdx]=min(Smell)
果蝇群体下次飞行位置更新为:
X = X ( b e s t I d x ) + r a n d Y = Y ( b e s t I d x ) + r a n d X=X(bestIdx)+rand \\ Y=Y(bestIdx)+rand X=X(bestIdx)+randY=Y(bestIdx)+rand

3.代码实现

% 果蝇优化算法
function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best, BestX, BestY] = FOA(pop, dim, ub, lb, fobj, maxIter)
%pop 种群数量
%dim 问题维数
%ub 变量上边界
%lb 变量下边界
%maxIter 最大迭代次数
%ouput
%Best_pos 全局果蝇最优位置
%Best_fitness 全局最优位置对应的适应度值
%Iter_curve 每代最优适应度值
%History_pos 每代果蝇种群位置
%History_best 每代最优果蝇位置
%BestX 最优果蝇位置X距离
%BestY 最优果蝇位置Y距离
%% 算法初始化
% 果蝇位置初始化 
for i = 1:dim
    X_axis(:,i) = lb(i)+rand(pop,1)*(ub(i)-lb(i));
    Y_axis(:,i) = lb(i)+rand(pop,1)*(ub(i)-lb(i));
end
% 最优适应度值初始化
Best_fitness = inf;
% 参数初始化
X = zeros(pop, dim);
Y = zeros(pop, dim);
S = zeros(pop, dim);
Dist = zeros(pop, dim);
Smell = zeros(1, pop);
Iter_curve = zeros(1, maxIter);
%% 迭代
for t = 1:maxIter
    for i = 1:pop
        % 果蝇通过气味确定食物方向
        X(i,:) = X_axis(i,:) + 2 * rand(1, dim) - 1;
        Y(i,:) = Y_axis(i,:) + 2 * rand(1, dim) - 1;
        % 计算距离
        Dist(i,:) = (X(i,:).^2 + Y(i,:).^2).^0.5;
        S(i,:) = 1./Dist(i,:);
        % 检查边界
        Flag4ub=S(i,:)>ub;
        Flag4lb=S(i,:)<lb;
        S(i,:)=(S(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
        % 计算浓度
        Smell(i) = fobj(S(i,:));
    end
    % 最优适应度值&位置
    [bestSmell, bestIndex] = min(Smell);
    % 保存位置
    for i = 1:pop
        X_axis(i,:) = X(bestIndex,:);
        Y_axis(i,:) = Y(bestIndex,:);
    end
    if bestSmell < Best_fitness
        Best_fitness = bestSmell;
        Best_pos = S(bestIndex,:);
    end
    BestXTemp = X(bestIndex,:);
    BestYTemp = Y(bestIndex,:);
    %记录距离值
    History_pos{t} = S;
    History_best{t} = Best_pos;
    BestX{t} = BestXTemp;
    BestY{t} = BestYTemp;
    Iter_curve(t) = Best_fitness;
end
end

优化问题
以CEC2005测试函数为例

clear,clc,close all
x = -32:0.1:32;
y = x;
L = length(x);
for i = 1:L
    for j = 1:L
        f(i,j) = fun([x(i) y(j)]);
    end
end
surfc(x, y, f, 'LineStyle', 'none', 'FaceAlpha',0.5);

% 设定果蝇参数
pop = 50;
dim = 2;
ub = [32, 23];
lb = [-32, -32];
maxIter = 100;
fobj = @(x) fun(x);

% 求解
[Best_pos, Best_fitness, Iter_curve, History_pos, History_best, BestX, BestY] = FOA(pop, dim, ub, lb, fobj, maxIter);

【智能算法】果蝇算法(FOA)原理及实现,智能算法,算法
【智能算法】果蝇算法(FOA)原理及实现,智能算法,算法文章来源地址https://www.toymoban.com/news/detail-838188.html

到了这里,关于【智能算法】果蝇算法(FOA)原理及实现的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包