【智能优化算法】基于混合策略改进的蝴蝶优化算法(MSBOA)求解单目标优化问题matlab代码
【智能优化算法】基于混合策略改进的蝴蝶优化算法(MSBOA)求解单目标优化问题matlab代码
TT_Matlab
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，完整matlab代码或者程序定制加qq1575304183。
1 简介
针对蝴蝶优化算法(BOA)容易陷入局部最优和收敛性差等问题,提出一种多策略改进的蝴蝶优化算法(MSBOA).首先引入余弦相似度位置调整策略,通过旋转变化算子和伸缩变换算子进行位置更新,从而有效地保持BOA的种群多样性;其次引入动态切换概率,来平衡BOA局部阶段和全局阶段的转换;最后增加混合惯性权重策略,以提高BOA的收敛速度.使用16个基准测试函数,Wilcoxon检验以及部分CEC2014函数来验证MSBOA的有效性和鲁棒性.仿真实验结果表明,与BOA和其他改进策略BOA及其他群智能算法相比,MSBOA在收敛精度和收敛速度上有明显的提升.
2 部分代码
function
[fmin, best_pos, Curve] = BOA(X, N, Max_iter, lb, ub, dim, fobj)
%%
BOA参数
p
=
0.8; % 开关概率
power_exponent
=
0.1;
sensory_modality
=
0.01;
for
i = 1:N
fitness(i)
=
fobj(X(i, :));
end
%
最优解
[fmin,
I] = min(fitness);
best_pos
=
X(I, :);
S
=
X;
%%
迭代
for
t = 1:Max_iter
for
i = 1:N
%
计算与目标函数相关的每只蝴蝶的香味
Fnew
=
fobj(S(i, :));
FP
=
(sensory_modality*(Fnew^power_exponent));
%
全局或局部搜索
if
rand < p
dis
=
rand * rand * best_pos - X(i, :); % Eq. (2) in paper
S(i,
:
) = X(i, :)+dis*FP;
else
%
在附近随机找蝴蝶
epsilon
=
rand;
JK
=
randperm(N);
dis
=
epsilon*epsilon*X(JK(1), :)-X(JK(2), :);
S(i,
:
) = X(i, :)+dis*FP; % Eq. (3) in paper
end
%
边界处理
S(i,
:
) = simplebounds(S(i, :), lb, ub);
%
新的个体适应度值
Fnew
=
fobj(S(i, :)); % Fnew represents new fitness values
%
If fitness improves (better Xutions found), update then
if
Fnew <= fitness(i)
X(i,
:
) = S(i, :);
fitness(i)
=
Fnew;
end
%
更新当前全局最优解
if
Fnew <= fmin
best_pos
=
S(i, :);
fmin
=
Fnew;
end
end
Curve(t)
=
fmin;
%
更新感觉因子
sensory_modality
=
sensory_modality_NEW(sensory_modality, Max_iter);
disp([’BOA
:
At iteration ’, num2str(t), ’ ,the best fitness is ’, num2str(Curve(t))]);
end
%%
边界限制函数
function
s = simplebounds(s, Lb, Ub)
s
=
max(s, Lb);
s
=
min(s, Ub);
end
function
y=sensory_modality_NEW(x, Ngen)
y
=
x+(0.025/(x*Ngen));
end
end
3 仿真结果
4 参考文献
[1]陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9):10.
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。