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
不了解群搜索算法可以先看看优化算法笔记（十一）群搜索算法
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 |
群搜索算法的个体有独有属性:角度。
群搜索算法个体
文件名：..\optimization algorithm\algorithm_group_search\GSO_Unit.m
% 群搜索算法个体
classdef GSO_Unit < Unit
properties
% 个体的角度
angle
end
methods
function self = GSO_Unit()
end
end
end
群搜索算法主体
文件名：..\optimization algorithm\algorithm_ group_search\GSO_Base.m
% 群搜索算法
classdef GSO_Base < Algorithm_Impl
properties
% 算法名称
name = 'GSO';
% 最大步长
l_max;
% a
a;
% 角度最大值
angle_max;
% 转向角度最大值，为角度最大值的一半
alpha_max;
end
% 外部可调用的方法
methods
function self = GSO_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 ='GSO';
% 计算最大步长
self.l_max = sqrt(sum((self.range_max_list-self.range_min_list).^2));
self.a = sqrt(self.dim+1);
self.angle_max = pi/(self.dim+1);
self.alpha_max = self.angle_max/2;
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 = GSO_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);
unit.angle = ones(1,self.dim -1 )*pi/4;
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 获取最优个体id
best_id = self.get_best_id();
for i = 1:self.size
if(best_id ==i)
% 最优个体，为发现者
self.update_producer(i);
else
r = rand();
if(r<0.8)
% 80%为跟随者
self.update_scroungers(i);
else
% 20%为游荡者
self.update_rangers(i);
end
end
end
end
% 更新发现者
function update_producer(self,id)
% 在0度方向搜索
% 根据角度计算方向
direction_zero = self.get_direction(self.unit_list(id).angle);
% 根据方向计算位置
pos_zero = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_zero;
% 越界检查
pos_zero = self.get_out_bound_value(pos_zero);
% 计算当前值
value_zero = self.cal_fitfunction(pos_zero);
% 在左侧方向搜索
% 获取左侧角度
angle_left = self.unit_list(id).angle - unifrnd(0,self.angle_max/2,1,self.dim-1);
% 根据角度计算方向
direction_left = self.get_direction(angle_left);
% 根据方向计算位置
pos_left = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_left;
% 越界检查
pos_left = self.get_out_bound_value(pos_left);
value_left = self.cal_fitfunction(pos_left);
% 在右侧方向搜索
% 获取右侧角度
angle_right = self.unit_list(id).angle + unifrnd(0,self.angle_max/2,1,self.dim-1);
% 根据角度计算方向
direction_right = self.get_direction(angle_right);
% 根据方向计算位置
pos_right = self.unit_list(id).position + self.l_max*normrnd(0,1,1,self.dim).*direction_right;
pos_right = self.get_out_bound_value(pos_right);
% 越界检查
value_right = self.cal_fitfunction(pos_right);
% 获取新角度
new_angle = self.unit_list(id).angle + unifrnd(0,self.alpha_max,1,self.dim-1);
% 取这三个中的最优解
if(value_zero>self.unit_list(id).value)
self.unit_list(id).value = value_zero;
self.unit_list(id).position = pos_zero;
self.unit_list(id).angle = new_angle;
end
if(value_left>self.unit_list(id).value)
self.unit_list(id).value = value_left;
self.unit_list(id).position = pos_left;
self.unit_list(id).angle = new_angle;
end
if(value_right>self.unit_list(id).value)
self.unit_list(id).value = value_right;
self.unit_list(id).position = pos_right;
self.unit_list(id).angle = new_angle;
end
end
% 更新跟随者
function update_scroungers(self,id)
% 计算跟随者新位置
new_pos = self.unit_list(id).position+unifrnd(0,1,1,self.dim).*(self.position_best-self.unit_list(id).position);
% 越界检查
new_pos = self.get_out_bound_value(new_pos);
% 计算适应度函数值
new_value = self.cal_fitfunction(new_pos);
if(new_value>self.unit_list(id).value)
% 保存新位置
self.unit_list(id).position = new_pos;
% 保存新适应度值
self.unit_list(id).value = new_value;
end
end
% 更新游荡者
function update_rangers(self,id)
% 计算游荡者方向
direction = self.get_direction(self.unit_list(id).angle);
% 根据方向计算位置
new_pos = self.unit_list(id).position + self.a*self.l_max*normrnd(0,1,1,self.dim).*direction;
% 越界检查
new_pos = self.get_out_bound_value(new_pos);
% 计算适应度函数值
new_value = self.cal_fitfunction(new_pos);
% 保存新位置
self.unit_list(id).position = new_pos;
% 保存新适应度值
self.unit_list(id).value = new_value;
end
% 从角度获取方向（角度比方向少一维）
function direction = get_direction(self,angle)
direction = ones(1,self.dim);
for i = 1:self.dim-1
direction(1) = direction(1)*cos(angle(i));
end
for i = 2:self.dim-2
direction(i) = sin(angle(i-1));
for j = i:self.dim-2
direction(i) =direction(i)*cos(angle(j));
end
end
direction(self.dim) = sin(angle(self.dim-1));
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_group_search\GSO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用GSO_Base，这里为了命名一致。
% 群搜索算法实现
classdef GSO_Impl < GSO_Base
% 外部可调用的方法
methods
function self = GSO_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@GSO_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_group_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;
%% 添加框架路径
% 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;
% 实例化群搜索算法类
base = GSO_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();
%% 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
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)]);
