【禁忌搜索算法】基于禁忌搜索算法求解函数极值问题含Matlab源码

%%% %%% %%% %%% %%% %禁忌搜索算法求函数极值问题 %%% %%% %%% %%% %%% %%% % %%% %%% %%% %%% %%% %%% %%% %%% %%% 初始化 %%% %%% %%% %%% %%% %%% %%% %%% %%% clear all; %清除所有变量 close all; %清图 clc; %清屏 xu= 5 ; %上界 xl=- 5 ; %下界 L=randi([ 5 11 ], 1 , 1 ); %禁忌长度取 5 , 11 之间的随机数 Ca= 5 ; %邻域解个数 Gmax= 200 ; %禁忌算法的最大迭代次数； w= 1 ; %自适应权重系数 tabu=[]; %禁忌表 x 0 =rand( 1 , 2 )*(xu-xl)+xl; %随机产生初始解 bestsofar.key=x 0 ; %最优解 xnow( 1 ).key=x 0 ; %当前解 %%% %%% %%% %%% %%% %最优解函数值，当前解函数值 %%% %%% %%% %%% %%% %% bestsofar.value=func2(bestsofar.key); xnow(1).value=func2(xnow(1).key); g=1; while g<Gmax x_near=[]; % 邻域解 w=w* 0 . 998 ; for i= 1 :Ca %%% %%% %%% %%% %%% %%% %%% 产生邻域解 %%% %%% %%% %%% %%% %%% %% x_temp=xnow(g).key; x1=x_temp(1); x2=x_temp(2); x_near(i,1)=x1+(2*rand-1)*w*(xu-xl); % %%% %%% %%% %%% %%% %边界条件处理 %%% %%% %%% %%% %%% %%% % %%% %%% %%% %%% %%% %%% %边界吸收 %%% %%% %%% %%% %%% %%% %%% if x_near(i, 1 )<xl x_near(i, 1 )=xl; end if x_near(i, 1 )>xu x_near(i, 1 )=xu; end x_near(i, 2 )=x2+( 2 *rand- 1 )*w*(xu-xl); %%% %%% %%% %%% %%% %%边界条件处理% %%% %%% %%% %%% %%% %%% %%% %%% %%% %%% %%% %%% %边界吸收 %%% %%% %%% %%% %%% %%% %%% if x_near(i, 2 )<xl x_near(i, 2 )=xl; end if x_near(i, 2 )>xu x_near(i, 2 )=xu; end %%% %%% %%% %%% %%计算邻域解点的函数值% %%% %%% %%% %%% %%% %%% fitvalue_near(i)=func2(x_near(i, : )); end %%% %%% %%% %%% %%% %%% %%最优邻域解为候选解% %%% %%% %%% %%% %%% %%% temp=find(fitvalue_near==max(fitvalue_near)); candidate(g).key=x_near(temp, : ); candidate(g).value=func2(candidate(g).key); %%% %%% %%% %%% %%候选解和当前解的评价函数差% %%% %%% %%% %%% %%% %% delta1=candidate(g).value-xnow(g).value; % %%% %%% %%% %%% %候选解和目前最优解的评价函数差 %%% %%% %%% %%% %%% delta2=candidate(g).value-bestsofar.value; %%% %%候选解并没有改进解，把候选解赋给下一次迭代的当前解% %%% %% if delta1<=0 xnow(g+1).key=candidate(g).key; xnow(g+1).value=func2(xnow(g).key); % %%% %%% %%% %%% %%% %%% %%更新禁忌表% %%% %%% %%% %%% %%% %%% %%% % tabu=[tabu;xnow(g+ 1 ).key]; if size(tabu, 1 )>L tabu( 1 , : )=[]; end g=g+ 1 ; %更新禁忌表后，迭代次数自增 1 %%% %%% %如果相对于当前解有改进，则应与目前最优解比较 %%% %%% %%% % else if delta2> 0 %候选解比目前最优解优 %%% %%% %%% %把改进解赋给下一次迭代的当前解 %%% %%% %%% %%% xnow(g+ 1 ).key=candidate(g).key; xnow(g+ 1 ).value=func2(xnow(g+ 1 ).key); %%% %%% %%% %%% %%% %%% %%更新禁忌表% %%% %%% %%% %%% %%% %%% %% tabu=[tabu;xnow(g+1).key]; if size(tabu,1)>L tabu(1,:)=[]; end % %%% %%% %把改进解赋给下一次迭代的目前最优解 %%% %%% %%% %%% %%% %%% %%% %%% %%% %%包含藐视准则% %%% %%% %%% %%% %%% %%% %%% % bestsofar.key=candidate(g).key; bestsofar.value=func2(bestsofar.key); g=g+ 1 ; %更新禁忌表后，迭代次数自增 1 else %%% %%% %%% %%% %%% 判断改进解时候在禁忌表里 %%% %%% %%% %%% %%% [M,N]=size(tabu); r= 0 ; for m= 1 :M if candidate(g).key( 1 )==tabu(m, 1 )... & candidate(g).key( 2 ) == tabu(m, 1 ) r= 1 ; end end if r== 0 %%改进解不在禁忌表里，把改进解赋给下一次迭代的当前解 xnow(g+1).key=candidate(g).key; xnow(g+1).value=func2(xnow(g+1).key); % %%% %%% %%% %%% %%% %%% %%更新禁忌表% %%% %%% %%% %%% %%% %% tabu=[tabu;xnow(g).key]; if size(tabu,1)>L tabu(1,:)=[]; end g=g+1; % 更新禁忌表后，迭代次数自增 1 else %%% 如果改进解在禁忌表里，用当前解重新产生邻域解 %%% %% xnow(g).key=xnow(g).key; xnow(g).value=func2(xnow(g).key); end end end trace(g)=func2(bestsofar.key); end bestsofar; % 最优变量及最优值 figure plot(trace); xlabel( ’迭代次数’ ) ylabel( ’目标函数值’ ) title( ’搜索过程最优值曲线’ )

%%% %%% %%% %%% %%% %%% %%% %%% %%% %适配值函数 %%% %%% %%% %%% %%% %%% %%% %%% function y=func2(x) y=(cos(x( 1 )^ 2 +x( 2 )^ 2 )- 0 . 1 )/( 1 + 0 . 3 *(x( 1 )^ 2 +x( 2 )^ 2 )^ 2 )+ 3 ;