[최적화] Matlab 세균 채집 알고리즘 기반 기능 최적화 분석 [Matlab 소스 코드 217 포함]

1. 소개

실제 생활의 필요는 최적화 방법의 개발을 촉진합니다. 반세기가 넘도록 전통적인 최적화 방법의 단점으로 인해 글로벌 최적화 성능과 강력한 다 용성을 갖춘 일부 진화 알고리즘은 효율적인 최적화 성능과 정확한 문제 설명이 필요하지 않기 때문에 다양한 분야에서 많은 관심과 응용을 받았습니다. . 가장 초기이자 가장 대표적인 진화 알고리즘은 다윈의 자연 선택 이론과 1970 년대 멘델의 유전 변이 이론에서 파생 된 유전 알고리즘 (GA)입니다. 최근 몇 년 동안 사람들은 자연 유기체의 행동을 기반으로 한 일련의 지능형 최적화 알고리즘을 제작했습니다. 예를 들어 Dorigo 등은 1991 년 개미의 경로 찾기 행동을 시뮬레이션하여 Ant Colony Optimization (ACO)을 제안했습니다. 케네디는 1995 년 새의 포식 행동을 시뮬레이션하기 위해 입자 군집 최적화 (PSO)가 제안되었습니다. 이러한 알고리즘은 엔지니어링 분야에서 널리 사용되고 있으며 놀라운 결과를 얻었습니다. 떼 지능 최적화 알고리즘의 활발한 개발과 함께 Passino는 2002 년에 인간 대장균의 채집 행동을 시뮬레이션하는 BFOA (Bacteria Foraging Optimization Algorithm)를 제안하여 생체 모방 진화 알고리즘 제품군에 새로운 구성원을 추가했습니다. 이 장에서는 대부분의 프로그래밍 애호가들에게 가장 기본적인 박테리아 채집 알고리즘을 소개하는 데 초점을 맞출 것이며 각 프로그래밍 연구자는이 장의 알고리즘을 개선하여 실제 사례에 적용 할 수 있습니다.
1 표준 세균 채집 최적화 알고리즘
여기에 사진 설명 삽입
2 Chemotaxis 작업

3 Swarming 작업

4 번식 작업

5 제거 및 분산
실제 환경에서 세균이 사는 지역이 발생할 수 있습니다. 점진적인 변화 (예 : 음식 고갈) 또는 갑작스러운 변화 (예 : 급격한 온도 상승) ). 이로 인해이 지역에 살고있는 박테리아 개체군이 새로운 지역으로 이동하거나 외부 세력에 의해 집단적으로 죽을 수 있습니다. BFO 알고리즘에서 이러한 현상을 시뮬레이션하는 것을 마이그레이션 작업이라고합니다.
6 BFO 알고리즘 흐름
여기에 사진 설명 삽입

둘째, 소스 코드

%%%%%%%%%%%%-----BF0算法-----%%%%%%%%%%%%%%%
clc; clear;  close all
warning off
feature jit off  % 加速代码执行
%-----初始化参数-----
bounds = [-5.12, 5.12;-5.12, 5.12]; % 函数变量范围
p = 2;   % 搜索范围的维度
s = 26;  % 细菌的个数
Nc = 50; % 趋化的次数
Ns = 4;  % 趋化操作中单向运动的最大步数
C(:,1) = 0.001*ones(s,1);    % 翻转选定方向后，单个细菌前进的步长
Nre = 4;     % 复制操作步骤数
Ned = 2;     % 驱散(迁移)操作数
Sr = s/2;    % 每代复制（分裂）数
Ped = 0.25;  % 细菌驱散(迁移)概率
d_attract = 0.05;         % 吸引剂的数量
ommiga_attract = 0.05;    % 吸引剂的释放速度
h_repellant = 0.05;       % 排斥剂的数量
ommiga_repellant = 0.05;  % 排斥剂的释放速度
for i = 1:s               % 产生初始细菌个体的位置
    P(1,i,1,1,1) = -5.12 + rand*10.24;
    P(2,i,1,1,1) = -5.12 + rand*10.24;
end
%----细菌趋药性算法循环开始
%---- 驱散(迁移)操作开始
for l = 1:Ned
	%-----复制操作开始
    for k = 1:Nre
        %-----趋化操作(翻转或游动)开始
        for j = 1:Nc
            %-----对每一个细菌分别进行以下操作
            for i = 1:s
                %-----计算函数J(i,j,k,l)，表示第i个细菌在第l次驱散第k次
                %--------复制第j次趋化时的适应度值
                J(i,j,k,l) = fitness(P(:,i,j,k,l));
                %-----修改函数，加上其它细菌对其的影响
                Jcc = sum(-d_attract*exp(-ommiga_attract*((P(1,i,j,k,l)-...
                    P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2)))+...
                    sum(h_repellant*exp(-ommiga_repellant*((P(1,i,j,k,l)-...
                    P(1,1:26,j,k,l)).^2+(P(2,i,j,k,l)-P(2,1:26,j,k,l)).^2)));
                J(i,j,k,l) = J(i,j,k,l) + Jcc;
                %----保存细菌目前的适应度值，直到找到更好的适应度值取代之
                Jlast = J(i,j,k,l);
                %-----翻转，产生一个随机向量C(i),代表翻转后细菌的方向
                Delta(:,i) = (2*round(rand(p,1))-1).*rand(p,1);
                % PHI表示翻转后选择的一个随机方向上前进
                PHI = Delta(:,i)/sqrt(Delta(:,i)'*Delta(:,i));
                %-----移动，向着翻转后细菌的方向移动一个步长，并且改变细菌的位置
                P(:,i,j+1,k,l) = P(:,i,j,k,l) + C(i,k)*PHI;
                %-----计算细菌当前位置的适应度值
                J(i,j+1,k,l) = fitness(P(:,i,j+1,k,l));
                %-----游动-----
                m = 0;         % 给游动长度计数器赋初始值
                while(m < Ns)  % 未达到游动的最大长度，则循环
                    m = m + 1;
                    % 新位置的适应度值是否更好？如果更好，将新位置的适应度值
                    % 存储为细菌i目前最好的适应度值
                    if(J(i,j+1,k,l)<Jlast)
                        Jlast = J(i,j+1,k,l);  % 保存更好的适应度值
                        % 在该随机方向上继续游动步长单位,修改细菌位置
                        P(:,i,j+1,k,l) = P(:,i,j+1,k,l) + C(i,k)*PHI;
                        % 重新计算新位置上的适应度值
                        J(i,j+1,k,l) = fitness(P(:,i,j+1,k,l));
                    else
                        % 否则，结束此次游动
                        m = Ns;
                    end
                end

세, 실행 결과

여기에 사진 설명 삽입

네, 비고

[최적화 솔루션] matalb의 개선 된 유전 알고리즘 IGA 기반 도시 교통 신호 최적화 [Matlab 소스 코드 215 포함]
[최적화 솔루션] Matlab 페널티 함수 기반 입자 군집 최적화 기능 최적화 [Matlab 소스 코드 216 포함]