上面的代码,本人亲测,无误。现在我贴出来。
clear all;
close all;
clc;
%% 参数设置
N=30; %麻雀个数
dim=2; %评估函数维度
N_discoverer=0.7*N; %发现者个数
N_Followers=0.1*N; %追随者个数
N_Vigilant=0.2*N; %警戒者个数
Max_iter=100; %最大迭代次数
ST=0.6; %安全阈值
%% 测试函数
f=@(x) sum(x.^2);
ub=10;%边界上限
lb=-10;%边界下限
%% 初始化
x=lb+rand(N,dim).*(ub-lb); %初始化麻雀种群
for i=1:N
fitness(i)=f(x(i,:)); %计算麻雀种群的适应度值
end
[A,index]=sort(fitness);
x_best=x(index(1),:); %记录所有麻雀走过的位置的最优位置
x_worst=x(index(end),:); %记录所有麻雀走过的位置的最差位置
best_fitness=A(1); %记录所有麻雀走过的位置的最优值
worst_fitness=A(end); %记录所有麻雀走过的位置的最差值
x_best_currently=x(index(1),:); %记录当前麻雀种群最优位置
x_worst_currently=x(index(end),:); %记录当前麻雀种群最差位置
best_fitness_currently=A(1); %记录当前麻雀种群最优值
worst_fitness_currently=A(end); %记录当前麻雀种群最差值
x_discoverer=x(index(1:N_discoverer),:); %发现者位置
x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %追随者位置
x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %警戒者位置
B=[-1,1];
F=best_fitness; %记录每次迭代的麻雀走过的位置的最优值
iter=1; %初始化迭代次数
%% 开始迭代更新
while iter<Max_iter
for i=1:dim
C(i)=B(round(rand)+1);
end
A=C'*inv((C*C'));
R2=rand;
%更新发现者位置
for i=1:N_discoverer
for j=1:dim
if R2<ST
x_discoverer(i,j)=x_discoverer(i,j)*exp(-i/rand*Max_iter);
else
x_discoverer(i,j)=x_discoverer(i,j)+randn;
end
end
%边界判断
ub_flag=x_discoverer(i,:)>ub;
lb_flag=x_discoverer(i,:)<lb;
x_discoverer(i,:)=(x_discoverer(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
end
%更新追随者位置
for i=1:N_Followers
for j=1:dim
if i>N/2
x_Followers(i,j)=rand*exp((x_worst_currently(j)-x_Followers(i,j))/i^2);
else
x_Followers(i,j)=x_discoverer(1,j)+abs(x_Followers(i,j)-x_discoverer(1,j))*A(j);
end
end
%边界判断
ub_flag=x_Followers(i,:)>ub;
lb_flag=x_Followers(i,:)<lb;
x_Followers(i,:)=(x_Followers(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
end
%更新警戒者位置
for i=1:N_Vigilant
for j=1:dim
if f(x_Vigilant(i,:))~=best_fitness_currently
x_Vigilant(i,j)=x_best_currently(j)+randn*abs(x_Vigilant(i,j)-x_best_currently(j));
else
x_Vigilant(i,j)=x_Vigilant(i,j)+B(round(rand)+1)*(abs(x_Vigilant(i,j)-x_worst_currently(j)))/abs(f(x_Vigilant(i,:))-worst_fitness_currently)+1;
end
end
%边界判断
ub_flag=x_Vigilant(i,:)>ub;
lb_flag=x_Vigilant(i,:)<lb;
x_Vigilant(i,:)=(x_Vigilant(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag;
end
x=[x_discoverer;x_Followers;x_Vigilant]; %得到该次迭代下的所有麻雀的新位置
for i=1:N
fitness(i)=f(x(i,:)); %计算适应度
end
[E,index]=sort(fitness);
if f(x(index(1),:))<best_fitness %更新所有麻雀走过的位置的最优位置和最优值
best_fitness=f(x(index(1),:));
x_best=x(index(1),:);
end
if f(x(index(end),:))>worst_fitness %更新所有麻雀走过的位置的最差位置和最差值
worst_fitness= f(x(index(end),:));
x_worst=x(index(end),:);
end
x_best_currently=x(index(1),:); %更新当前麻雀种群的最优位置
x_worst_currently=x(index(end),:); %更新当前麻雀种群的最差位置
best_fitness_currently=E(1); %更新当前麻雀的种群的最优值
worst_fitness_currently=E(end); %更新当前麻雀的种群的最差值
x_discoverer=x(index(1:N_discoverer),:); %重新选择种群中的发现者
x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %重新选择种群中的追随者
x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %重新选择种群中的警戒者
F=[F,best_fitness];
iter=iter+1; %迭代次数加一
end
%% 结果 作图
display(['最优值是:',num2str(F(end)),'最优麻雀位置:',num2str(x_best)]);
figure(1);
plot(F);
xlabel('迭代次数'),ylabel('适应度值');
以上代码是可以直接运行的。
谢谢 您能点赞 收藏 加关注。