無約束連續函數優化的人工蟻群算法通用MATLAB源碼 (2008-11-15 09:48:37) 
標簽：雜談    

題目：無約束連續函數優化的人工蟻群算法通用MATLAB源碼

此源碼是對人工蟻群算法的一種實現，用于無約束連續函數的優化求解，對于含有約束的情況，可以先使用罰函數等方法，把問題處理成無約束的模型，再使用本源碼進行求解，本源碼由GreenSim團隊原創，轉載請注明，有意購買源碼或代寫相關程序，請與GreenSim團隊聯系（主頁http://blog.sina.com.cn/greensim）。

function [BESTX,BESTY,ALLX,ALLY]=ACOUCP(K,N,Rho,Q,Lambda,LB,UB)
%% Ant Colony Optimization for Unconstrained Continuous Problem
%% ACOUCP.m
%% 無約束連續函數的蟻群優化算法
%% 此函數實現蟻群算法，用于求解無約束連續函數最小化問題
%% 對于最大化問題，請先將其加負號轉化為最小化問題
%  GreenSim團隊原創作品，轉載請注明
%  Email:greensim@163.com
%  GreenSim團隊主頁：http://blog.sina.com.cn/greensim
%  [color=red]歡迎訪問GreenSim——算法仿真團隊→[url=http://blog.sina.com.cn/greensim]http://blog.sina.com.cn/greensim[/url][/color]
%% 輸入參數列表
% K        迭代次數
% N        蟻群規模
% Rho      信息素蒸發系數，取值0～1之間，推薦取值0.7～0.95
% Q        信息素增加強度，大于0，推薦取值1左右
% Lambda   螞蟻爬行速度，取值0～1之間，推薦取值0.1～0.5
% LB       決策變量的下界，M×1的向量
% UB       決策變量的上界，M×1的向量
%% 輸出參數列表
% BESTX    K×1細胞結構，每一個元素是M×1向量，記錄每一代的最優螞蟻
% BESTY    K×1矩陣，記錄每一代的最優螞蟻的評價函數值
% ALLX     K×1細胞結構，每一個元素是M×N矩陣，記錄每一代螞蟻的位置
% ALLY     K×N矩陣，記錄每一代螞蟻的評價函數值
%% 測試函數設置
% 測試函數用單獨的子函數編寫好，在子函數FIT.m中修改要調用的測試函數名即可
% 注意：決策變量的下界LB和上界UB，要與測試函數保持一致
%% 參考設置
% [BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB)

%% 第一步：初始化
M=length(LB);%決策變量的個數
%蟻群位置初始化
X=zeros(M,N);
for i=1:M
    x=unifrnd(LB(i),UB(i),1,N);
    X(i,:)=x;
end
%輸出變量初始化
ALLX=cell(K,1);%細胞結構，每一個元素是M×N矩陣，記錄每一代的個體
ALLY=zeros(K,N);%K×N矩陣，記錄每一代評價函數值
BESTX=cell(K,1);%細胞結構，每一個元素是M×1向量，記錄每一代的最優個體
BESTY=zeros(K,1);%K×1矩陣，記錄每一代的最優個體的評價函數值
k=1;%迭代計數器初始化
Tau=ones(1,N);%信息素初始化
Y=zeros(1,N);%適應值初始化

%% 第二步：迭代過程
while k<=K
    YY=zeros(1,N);
    for n=1:N
        x=X(:,n);
        YY(n)=FIT(x);
    end
    maxYY=max(YY);
    temppos=find(YY==maxYY);
    POS=temppos(1);
    %螞蟻隨機探路
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x);
            mx=GaussMutation(x,LB,UB);
            if Fmx<Fx
                X(:,n)=mx;
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x);
            mx=GaussMutation(x,LB,UB);
            Fmx=FIT(mx);
            if Fmx<Fx
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end

    %朝信息素最大的地方移動
    for n=1:N
        if n~=POS
            x=X(:,n);
            r=(K+k)/(K+K);
            p=randperm(N);
            t=ceil(r*N);
            pos=p(1:t);
            TempTau=Tau(pos);
            maxTempTau=max(TempTau);
            pos3=pos(pos2(1));
            x2=X(:,pos3(1));
            x3=(1-Lambda)*x+Lambda*x2;
            Fx=FIT(x);
            Fx3=FIT(mx);
            if Fx3<Fx
                X(:,n)=x3;
                Y(n)=Fx3;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=x3;
                Y(n)=Fx3;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    %更新信息素并記錄
    Tau=Tau*(1-Rho);
    maxY=max(Y);
    minY=min(Y);
    DeltaTau=(maxY-Y)/(maxY-minY);
    Tau=Tau+Q*DeltaTau;
    ALLX{k}=X;
    ALLY(k,:)=Y;
    minY=min(Y);
    pos4=find(Y==minY);
    BESTX{k}=X(:,pos4(1));
    BESTY(k)=minY;
    disp(k);
    k=k+1;
end
%% 繪圖
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
    TempY=BESTY(1:k);
    minTempY=min(TempY);
    posY=find(TempY==minTempY);
    BESTY2(k)=minTempY;
    BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函數值')
xlabel('迭代次數')
grid on

歡迎訪問GreenSim團隊主頁：http://blog.sina.com.cn/greensim
[color=red]歡迎訪問GreenSim——算法仿真團隊→[url=http://blog.sina.com.cn/greensim]http://blog.sina.com.cn/greensim[/url][/color]