注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1.代码实现
不了解和声搜索算法可以先看看优化算法笔记（二十六）和声搜索算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 个体 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 测试函数，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函数图像，画图用 |
和声搜索算法的个体没有独有属性。
和声搜索算法个体
文件名：.. \optimization algorithm\algorithm_harmony_search\HS_Unit.m
% 和声搜索算法个体
classdef HS_Unit < Unit
properties
end
methods
function self = HS_Unit()
end
end
end
和声搜索算法算法主体
文件名：..\optimization algorithm\algorithm_harmony_search\HS_Base.m
% 和声搜索算法
classdef HS_Base < Algorithm_Impl
properties
% 算法名称
name = 'HS';
HMCR = 0.9;
PAR = 0.1;
% 维度分组map,key为维度序号，value为群体该维度列表
dim_sort_map = containers.Map;
% 记录新生成的个体
new_unit_list;
end
% 外部可调用的方法
methods
function self = HS_Base(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.name ='HS';
end
end
% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
%初始化种群
for i = 1:self.size
unit = HS_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算适应度值
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
end
% 初始化map
for i = 1:self.dim
self.dim_sort_map(num2str(i))=[];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 排序个维度值
self.sort_group_dim();
% 生成新个体
self.get_position_new();
% 在新个体和老个体中选择较优的个体
self.choose();
end
% 将每一维从小到大排序
function sort_group_dim(self)
for d = 1:self.dim
d_list = [];
for s = 1:self.size
d_list = [d_list,self.unit_list(s).position(d)];
end
[value,index] = sort(d_list);
self.dim_sort_map(num2str(d))=value;
end
end
% 获取邻域范围
function result = get_neighbour_value(self, d, value)
d_list = self.dim_sort_map(num2str(d));
d_min = d_list(1);
d_max = d_list(end);
for i = 1: length(d_list)
if value == d_list(i)
if i == 1
% 如果当前值是该维度最小值
d_max = d_list(1);
elseif i == length(d_list)
% 如果当前值是该维度最大值
d_min = d_list(end -1);
else
d_min = d_list(i - 1);
d_max = d_list(i + 1);
end
end
end
% 如果邻域范围最大值等于邻域最小值则取解空间值。
if d_min == d_max
d_min = self.range_min_list(d);
d_max = self.range_max_list(d);
end
result = unifrnd(d_min, d_max);
end
% 获取新位置
function get_position_new(self)
self.new_unit_list =[];
for s =1:self.size
new_pos = self.unit_list(s).position;
r1 = unifrnd(0,1,1,self.dim);
r2 = unifrnd(0,1,1,self.dim);
r_index = randperm(self.size,self.dim);
for d = 1:self.dim
if r1(d) < self.HMCR
new_pos(d) = self.unit_list(r_index(d)).position(d);
end
if r2(d) < self.PAR
new_pos(d) = self.get_neighbour_value(d, self.unit_list(s).position(d));
end
end
unit = HS_Unit();
unit.position = new_pos;
unit.value = self.cal_fitfunction(new_pos);
self.new_unit_list = [self.new_unit_list,unit];
end
end
% 选择
function choose(self)
% 在unit_list 和 new_unit_list中保留较优的个体
all_list = [self.unit_list,self.new_unit_list];
% 求最大值则降序排列
[value,index] = sort([all_list.value],'descend');
for i = 1:self.size
self.unit_list(i).position = all_list(index(i)).position;
self.unit_list(i).value = all_list(index(i)).value;
end
end
% 获取当前最优个体的id
function best_id=get_best_id(self)
% 求最大值则降序排列
[value,index] = sort([self.unit_list.value],'descend');
best_id = index(1);
end
end
end
文件名：..\optimization algorithm\algorithm_harmony_search\HS_Impl.m
算法实现，继承于Base,图方便也可不写，直接用HS_Base，这里为了命名一致。
% 和声搜索算法实现
classdef HS_Impl < HS_Base
% 外部可调用的方法
methods
function self = HS_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@HS_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.测试
测试F1
文件名：..\optimization algorithm\algorithm_harmony_search\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加目录
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 选择测试函数
Function_name='F1';
%[最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim).*ub;
% 取值范围下界
range_min_list = ones(1,dim).*lb;
% 实例化和声搜索算法类
base = HS_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction = fobj;
% 运行
base.run();
disp(base.cal_fit_num);
%% 绘制图像
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
% 绘制曲线，由于算法是求最大值，适应度函数为求最小值，故乘了-1，此时去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);
网友评论