目录

1 主要内容

2 部分代码

3 程序结果

4 下载链接


主要内容

程序主要对蝴蝶算法(BOA)进行改进,参考文献《基于改进蝴蝶优化算法的冗余机器人逆运动学求解》,有如下改进策略:

  • 改进1:采用反向学习策略构建精英种群,提高种群质量
  • 改进2:在全局搜索阶段,引入柯西变异,增强算法跳出局部最优的能力
  • 改进3:引入随机惯性权重改变前一位置对当前位置更新的影响,确保能跳出局部最优

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

1.1 改进详细模型

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

改进惯性权重方法比较常见,不同的非线性函数能够得到不同的优化方法,程序中采用sin函数构造惯性权重的进化曲线,当然大家在编程过程中也可以采用其他非线性函数,如Sigmoid函数(见下图),甚至可以用分段方式提高算法的创新性。

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

部分代码

function [fmin,best_pos,Convergence_curve]=IBOA(n,N_iter,Lb,Ub,dim,fobj)
​
p=0.8; % probabibility switch,开关概率
power_exponent=0.1; % 幂指数
sensory_modality=0.01; % 感觉因子
​
%Initialize the positions of search agents
% Sol=initialization(n,dim,Ub,Lb);
% ★★改进1:反向学习种群初始化★★
Sol_forward=initialization_for(n,dim,Ub,Lb);
Sol_backward=initialization_back(Sol_forward,n,dim,Ub,Lb);
Sol_all=[Sol_forward;Sol_backward];
for i = 1:2*n
    Sol_all_fitness(i)=fobj(Sol_all(i,:));
end
[~,sorted_indexes]=sort(Sol_all_fitness);
for i = 1:n
    Sol(i,:)=Sol_all(sorted_indexes(i),:);
end
​
for i=1:n
    Fitness(i)=fobj(Sol(i,:));
end
​
% Find the current best_pos
[fmin,I]=min(Fitness);
best_pos=Sol(I,:);
S=Sol; 
​
% Start the iterations -- Butterfly Optimization Algorithm 
for t=1:N_iter
        
        for i=1:n% Loop over all butterflies/solutions
         
          %Calculate fragrance of each butterfly which is correlated with objective function,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)); % 每只蝴蝶的香味
​
          %Global or local search
          if rand

2:全局搜索阶段引入柯西变异★★ ori_value = rand(1,dim);

程序结果

混合策略改进蝴蝶算法提供了23种测试函数,可以通过main程序修改测试函数,程序Get_Functions_detailsPRO有具体每个测试函数的公式,下面得到F2和F5两种测试函数下的原始算法和改进算法收敛性对比。

测试函数F2:

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

测试函数F5:

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

Matlab|混合策略改进的蝴蝶优化算法-LMLPHP

4 下载链接

06-10 14:53