优化算法鸽群优化算法(PIO)含Matlab源码 1077期
Posted 紫极神光(Q1564658423)
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了优化算法鸽群优化算法(PIO)含Matlab源码 1077期相关的知识,希望对你有一定的参考价值。
一、简介
2014 年 段 海 滨 教 授 通 过 归 纳 总 结 , 提 出 鸽 群 算 法(Pigeon-inspired Optimization PIO),PIO 是模拟鸽子归巢行为而设计出来的群智能优化算法。PIO 具有原理简明的特点、需要调整参数极少、易于被实现。与其他算法比较有着计算相对简单,鲁棒性相对较强等明显的优点。
算法原理
鸽子在距离目的地较远时,是在地磁场和地标建筑的帮助下到达目的地。影响鸽群归巢的关键原因可分为 3 类,第一个原因是太阳,第二个原因是地球的磁场,第三个原因是地貌景观,而鸽子在飞行的过程中,根据不同的情况会使用不同的巡航工具。首先通过地磁场来对一个大概的方向进行辨别,然后利用地貌景象对目前的方向实施修正,直到到达精确的目的地。所以 PIO 算法中鸽子归巢有两个基本部分组成:指南针算子和地标算子。当鸽子距离自己目的地较远时是利用地磁场来辨别方向,当距离目的地比较近时就利用当地地标来进行导航。在 PIO 中地图和指针算子模型的提出就是基于地磁场和太阳,而地标算子模型的提出是基于地标。
** 指南针算子**
地标算子
二、源代码
%_________________________________________________________________________%
% 鸽群优化算法 %
%_________________________________________________________________________%
% 使用方法
%__________________________________________
% fobj = @YourCostFunction 设定适应度函数
% dim = number of your variables 设定维度
% Max_iteration = maximum number of generations 设定最大迭代次数
% SearchAgents_no = number of search agents 种群数量
% lb=[lb1,lb2,...,lbn] where lbn is the lower bound of variable n 变量下边界
% ub=[ub1,ub2,...,ubn] where ubn is the upper bound of variable n 变量上边界
% If all the variables have equal lower bound you can just
% define lb and ub as two single number numbers
% To run PIO: [Best_pos,Best_score,curve]=PIO(pop,Max_iter,lb,ub,dim,fobj)
%__________________________________________
clear all
clc
% rng('default');
SearchAgents_no=50; % Number of search agents 种群数量
Function_name='F9'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper) 设定适应度函数
Max_iteration=1000; % Maximum numbef of iterations 设定最大迭代次数
% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name); %设定边界以及优化函数
[Best_score,Best_pos,PIO_curve]=PIO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); %开始优化
% This function containts full information and implementations of the benchmark
% lb is the lower bound: lb=[lb_1,lb_2,...,lb_d]
% up is the uppper bound: ub=[ub_1,ub_2,...,ub_d]
% dim is the number of variables (dimension of the problem)
function [lb,ub,dim,fobj] = Get_Functions_details(F)
switch F
case 'F1'
fobj = @F1;
lb=-100;
ub=100;
dim=30;
case 'F2'
fobj = @F2;
lb=-10;
ub=10;
dim=30;
case 'F3'
fobj = @F3;
lb=-100;
ub=100;
dim=30;
case 'F4'
fobj = @F4;
lb=-100;
ub=100;
dim=30;
case 'F5'
fobj = @F5;
lb=-30;
ub=30;
dim=30;
case 'F6'
fobj = @F6;
lb=-100;
ub=100;
dim=30;
case 'F7'
fobj = @F7;
lb=-1.28;
ub=1.28;
dim=30;
case 'F8'
fobj = @F8;
lb=-500;
ub=500;
dim=30;
case 'F9'
fobj = @F9;
lb=-5.12;
ub=5.12;
dim=30;
case 'F10'
fobj = @F10;
lb=-32;
ub=32;
dim=30;
case 'F11'
fobj = @F11;
lb=-600;
ub=600;
dim=30;
case 'F12'
fobj = @F12;
lb=-50;
ub=50;
dim=30;
case 'F13'
fobj = @F13;
lb=-50;
ub=50;
dim=30;
case 'F14'
fobj = @F14;
lb=-65.536;
ub=65.536;
dim=2;
case 'F15'
fobj = @F15;
lb=-5;
ub=5;
dim=4;
case 'F16'
fobj = @F16;
lb=-5;
ub=5;
dim=2;
case 'F17'
fobj = @F17;
lb=[-5,0];
ub=[10,15];
dim=2;
case 'F18'
fobj = @F18;
lb=-2;
ub=2;
dim=2;
case 'F19'
fobj = @F19;
lb=0;
ub=1;
dim=3;
case 'F20'
fobj = @F20;
lb=0;
ub=1;
dim=6;
case 'F21'
fobj = @F21;
lb=0;
ub=10;
dim=4;
case 'F22'
fobj = @F22;
lb=0;
ub=10;
dim=4;
case 'F23'
fobj = @F23;
lb=0;
ub=10;
dim=4;
end
end
三、运行结果
四、备注
版本:2014a
以上是关于优化算法鸽群优化算法(PIO)含Matlab源码 1077期的主要内容,如果未能解决你的问题,请参考以下文章
LSSVM回归预测基于matlab鸽群算法优化最小二乘支持向量机PIO-LSSVM数据回归预测含Matlab源码 2237期
SVM分类基于matlab鸽群算法优化支持向量机SVM分类含Matlab源码 2242期
优化算法白冠鸡优化算法(COOT)含Matlab源码 1795期