国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA

2年前作者：敲代碼兩年半的練習(xí)生分類：Toy博客閱讀(16)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

1.背景介紹

樽海鞘，身體呈透明的桶狀。它們的組織與水母非常相似。它們的運(yùn)動(dòng)也非常類似于水母，在水母中，水被泵送通過身體作為推進(jìn)向前運(yùn)動(dòng)。輸卵管的形狀如圖1（a）所示。

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

關(guān)于這種生物的生物學(xué)研究處于早期階段，主要是因?yàn)樗鼈兊纳瞽h(huán)境極難進(jìn)入，而且很難將它們保存在實(shí)驗(yàn)室環(huán)境中。樽海鞘最有趣的行為之一，也是論文中感興趣的，是它們的群集行為。在深海中，沙魚經(jīng)常形成一個(gè)稱為沙魚鏈的群體。該鏈條如圖1（b）所示。這種行為的主要原因尚不清楚，但一些研究人員認(rèn)為，這樣做是為了通過快速協(xié)調(diào)的變化和覓食來實(shí)現(xiàn)更好的運(yùn)動(dòng)。

2.數(shù)學(xué)模型

2.1 提出的移動(dòng)樽海鞘鏈的數(shù)學(xué)模型

為了對(duì)樽海鞘（salp）鏈進(jìn)行數(shù)學(xué)建模，首先將種群分為兩組：領(lǐng)導(dǎo)者和追隨者。領(lǐng)導(dǎo)者是鏈前面的salp，而salp的其余部分則被視為追隨者。正如這些salps的名字所暗示的那樣，領(lǐng)導(dǎo)者引導(dǎo)群體，追隨者相互跟隨（以及領(lǐng)導(dǎo)者直接或間接）。

類似于其他基于群的技術(shù)，salps的位置是在n維搜索空間中定義的，其中n是給定問題的變量數(shù)。因此，所有salps的位置都存儲(chǔ)在一個(gè)稱為x的二維矩陣中。還假設(shè)在搜索空間中有一個(gè)名為F的食物源作為群體的目標(biāo)。

為了更新領(lǐng)導(dǎo)者的位置，提出了以下等式：

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

其中，x1j表示第一個(gè)salp（前導(dǎo)）在第j維中的位置，F(xiàn)j是食物源在第j維度中的位置、ubj表示第j維的上界、lbj表示第i維的下界，c1、c2和c3是隨機(jī)數(shù)。

等式（3.1）表明，引導(dǎo)器僅更新其相對(duì)于食物源的位置。系數(shù)c1是SSA中最重要的參數(shù)，因?yàn)樗胶饬丝碧胶烷_采，定義如下：

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

其中l(wèi)是當(dāng)前迭代，l是迭代的最大次數(shù)。

參數(shù)c2和c3是在[0,1]的區(qū)間中均勻生成的隨機(jī)數(shù)。事實(shí)上，它們決定了第j維中的下一個(gè)位置是朝向正無窮大還是負(fù)無窮大，以及步長(zhǎng)。

為了更新從動(dòng)件的位置，使用以下方程（牛頓運(yùn)動(dòng)定律）：

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

當(dāng)i≥2時(shí)，xi j表示第i個(gè)跟隨器salp在j維的位置，t是時(shí)間，v0是初始速度，a=v_final/v_0，其中v=(x?x_0)/t。

因?yàn)閮?yōu)化中的時(shí)間是迭代，所以迭代之間的差異等于1，并且考慮v0=0，這個(gè)方程可以表示如下：

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

其中i≥2，xi j表示第i個(gè)跟隨器salp在j維中的位置。

利用等式（3.1）和（3.4），可以模擬salp鏈。

2.2 Swarm仿真

為了觀察上述數(shù)學(xué)模型的效果，在本小節(jié)中進(jìn)行了模擬。二十條salps被隨機(jī)放置在有固定或移動(dòng)食物來源的搜索空間中。輸卵管鏈的位置和每條輸卵管的歷史如圖2-5所示。請(qǐng)注意，圖中的藍(lán)色點(diǎn)表示食物來源的位置，最深的圓圈是最前面的salp。跟隨者的薩爾普根據(jù)其在薩爾普鏈中相對(duì)于引導(dǎo)者的位置而被涂上灰色。在圖2和圖4中檢查salp鏈在九次連續(xù)迭代中的行為，可以觀察到，在第一次迭代后，可以使用有效提出的方程形成和移動(dòng)群。此外，可以看出，在迭代過程中，領(lǐng)先的salp會(huì)改變其在食物來源周圍的位置，而跟隨的salp則會(huì)逐漸跟隨它。兩個(gè)模擬都使用了相同的模型，并且在兩個(gè)2D中都使用了該模型的優(yōu)點(diǎn)

圖3和圖5顯示了100次迭代后，在2D和3D空間中固定和移動(dòng)食物源周圍的salp的位置歷史。在固定食物源周圍搜索的點(diǎn)表明，salp在搜索空間周圍有效地移動(dòng)。點(diǎn)的分布是合理的，表明所提出的模型能夠探索和利用固定食物源周圍的空間。此外，圖3和圖5顯示，所提出的數(shù)學(xué)模型要求salp鏈中的salp追逐移動(dòng)的食物源。在起點(diǎn)周圍搜索的點(diǎn)的分布高于終點(diǎn)。這是由于控制勘探和開發(fā)的c1參數(shù)。這些發(fā)現(xiàn)證明，salp鏈運(yùn)動(dòng)模型能夠探索和利用固定和移動(dòng)食物來源周圍的空間。

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

2.3 單目標(biāo)Salp Swarm算法（SSA）

不用說，模擬salp鏈的數(shù)學(xué)模型不能直接用于解決優(yōu)化問題。換句話說，需要稍微調(diào)整一下模型，使其適用于優(yōu)化問題。單目標(biāo)優(yōu)化器的最終目標(biāo)是確定全局最優(yōu)。在SSA群模型中，跟隨salp跟隨前導(dǎo)salp。主要的沙拉醬也向食物來源移動(dòng)。因此，如果食物源被全局最優(yōu)替代，salp鏈會(huì)自動(dòng)向其移動(dòng)。然而，問題是優(yōu)化問題的全局最優(yōu)是未知的。在這種情況下，假設(shè)到目前為止獲得的最佳解決方案是全局最優(yōu)的，并假設(shè)為salp鏈追逐的食物來源。

SSA算法的偽代碼如圖6.1所示。該圖顯示SSA算法通過啟動(dòng)具有隨機(jī)位置的多個(gè)salp來開始逼近全局最優(yōu)。然后，它計(jì)算每個(gè)salp的適應(yīng)度，找到適應(yīng)度最好的salp，并將最佳salp的位置分配給變量F，作為salp鏈要追逐的源食物。同時(shí)，使用等式（3.2）更新系數(shù)c1。對(duì)于每個(gè)維度，使用等式（3.1）來更新前導(dǎo)salp的位置和使用等式（3.4）來更新跟隨salp的地位。如果任何salp超出搜索空間，它將被帶回到邊界上。除了初始化之外的所有上述步驟都被反復(fù)執(zhí)行，直到滿足結(jié)束標(biāo)準(zhǔn)為止。

3.算法流程圖

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

4.文件結(jié)構(gòu)

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

func_plot.m						% 繪制的基準(zhǔn)函數(shù)
Get_Functions_details.m 		% 基準(zhǔn)的全部信息和實(shí)現(xiàn)
initialization.m 				% 初始化
main.m							% 主函數(shù)
SSA.m							% 樽海鞘群優(yōu)化算法

5.偽代碼

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

6.詳細(xì)代碼及注釋

6.1 func_plot.m

function func_plot(func_name)

[lb,ub,dim,fobj]=Get_Functions_details(func_name);

switch func_name 
    case 'F1' 
        x=-100:2:100; y=x; %[-100,100]
        
    case 'F2' 
        x=-100:2:100; y=x; %[-10,10]
        
    case 'F3' 
        x=-100:2:100; y=x; %[-100,100]
        
    case 'F4' 
        x=-100:2:100; y=x; %[-100,100]
    case 'F5' 
        x=-200:2:200; y=x; %[-5,5]
    case 'F6' 
        x=-100:2:100; y=x; %[-100,100]
    case 'F7' 
        x=-1:0.03:1;  y=x  %[-1,1]
    case 'F8' 
        x=-500:10:500;y=x; %[-500,500]
    case 'F9' 
        x=-5:0.1:5;   y=x; %[-5,5]    
    case 'F10' 
        x=-20:0.5:20; y=x;%[-500,500]
    case 'F11' 
        x=-500:10:500; y=x;%[-0.5,0.5]
    case 'F12' 
        x=-10:0.1:10; y=x;%[-pi,pi]
    case 'F13' 
        x=-5:0.08:5; y=x;%[-3,1]
    case 'F14' 
        x=-100:2:100; y=x;%[-100,100]
    case 'F15' 
        x=-5:0.1:5; y=x;%[-5,5]
    case 'F16' 
        x=-1:0.01:1; y=x;%[-5,5]
    case 'F17' 
        x=-5:0.1:5; y=x;%[-5,5]
    case 'F18' 
        x=-5:0.06:5; y=x;%[-5,5]
    case 'F19' 
        x=-5:0.1:5; y=x;%[-5,5]
    case 'F20' 
        x=-5:0.1:5; y=x;%[-5,5]        
    case 'F21' 
        x=-5:0.1:5; y=x;%[-5,5]
    case 'F22' 
        x=-5:0.1:5; y=x;%[-5,5]     
    case 'F23' 
        x=-5:0.1:5; y=x;%[-5,5]  
end    

    

L=length(x);
f=[];

for i=1:L
    for j=1:L
        if strcmp(func_name,'F15')==0 && strcmp(func_name,'F19')==0 && strcmp(func_name,'F20')==0 && strcmp(func_name,'F21')==0 && strcmp(func_name,'F22')==0 && strcmp(func_name,'F23')==0
            f(i,j)=fobj([x(i),y(j)]);
        end
        if strcmp(func_name,'F15')==1
            f(i,j)=fobj([x(i),y(j),0,0]);
        end
        if strcmp(func_name,'F19')==1
            f(i,j)=fobj([x(i),y(j),0]);
        end
        if strcmp(func_name,'F20')==1
            f(i,j)=fobj([x(i),y(j),0,0,0,0]);
        end       
        if strcmp(func_name,'F21')==1 || strcmp(func_name,'F22')==1 ||strcmp(func_name,'F23')==1
            f(i,j)=fobj([x(i),y(j),0,0]);
        end          
    end
end

surfc(x,y,f,'LineStyle','none');

end

6.2 Get_Functions_details.m

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=10;
        
    case 'F3'
        fobj = @F3;
        lb=-100;
        ub=100;
        dim=10;
        
    case 'F4'
        fobj = @F4;
        lb=-100;
        ub=100;
        dim=10;
        
    case 'F5'
        fobj = @F5;
        lb=-30;
        ub=30;
        dim=10;
        
    case 'F6'
        fobj = @F6;
        lb=-100;
        ub=100;
        dim=10;
        
    case 'F7'
        fobj = @F7;
        lb=-1.28;
        ub=1.28;
        dim=10;
        
    case 'F8'
        fobj = @F8;
        lb=-500;
        ub=500;
        dim=10;
        
    case 'F9'
        fobj = @F9;
        lb=-5.12;
        ub=5.12;
        dim=10;
        
    case 'F10'
        fobj = @F10;
        lb=-32;
        ub=32;
        dim=10;
        
    case 'F11'
        fobj = @F11;
        lb=-600;
        ub=600;
        dim=10;
        
    case 'F12'
        fobj = @F12;
        lb=-50;
        ub=50;
        dim=10;
        
    case 'F13'
        fobj = @F13;
        lb=-50;
        ub=50;
        dim=10;
        
    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

% F1

function o = F1(x)
o=sum(x.^2);
end

% F2

function o = F2(x)
o=sum(abs(x))+prod(abs(x));
end

% F3

function o = F3(x)
dim=size(x,2);
o=0;
for i=1:dim
    o=o+sum(x(1:i))^2;
end
end

% F4

function o = F4(x)
o=max(abs(x));
end

% F5

function o = F5(x)
dim=size(x,2);
o=sum(100*(x(2:dim)-(x(1:dim-1).^2)).^2+(x(1:dim-1)-1).^2);
end

% F6

function o = F6(x)
o=sum(abs((x+.5)).^2);
end

% F7

function o = F7(x)
dim=size(x,2);
o=sum([1:dim].*(x.^4))+rand;
end

% F8

function o = F8(x)
o=sum(-x.*sin(sqrt(abs(x))));
end

% F9

function o = F9(x)
dim=size(x,2);
o=sum(x.^2-10*cos(2*pi.*x))+10*dim;
end

% F10

function o = F10(x)
dim=size(x,2);
o=-20*exp(-.2*sqrt(sum(x.^2)/dim))-exp(sum(cos(2*pi.*x))/dim)+20+exp(1);
end

% F11

function o = F11(x)
dim=size(x,2);
o=sum(x.^2)/4000-prod(cos(x./sqrt([1:dim])))+1;
end

% F12

function o = F12(x)
dim=size(x,2);
o=(pi/dim)*(10*((sin(pi*(1+(x(1)+1)/4)))^2)+sum((((x(1:dim-1)+1)./4).^2).*...
(1+10.*((sin(pi.*(1+(x(2:dim)+1)./4)))).^2))+((x(dim)+1)/4)^2)+sum(Ufun(x,10,100,4));
end

% F13

function o = F13(x)
dim=size(x,2);
o=.1*((sin(3*pi*x(1)))^2+sum((x(1:dim-1)-1).^2.*(1+(sin(3.*pi.*x(2:dim))).^2))+...
((x(dim)-1)^2)*(1+(sin(2*pi*x(dim)))^2))+sum(Ufun(x,5,100,4));
end

% F14

function o = F14(x)
aS=[-32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32;,...
-32 -32 -32 -32 -32 -16 -16 -16 -16 -16 0 0 0 0 0 16 16 16 16 16 32 32 32 32 32];

for j=1:25
    bS(j)=sum((x'-aS(:,j)).^6);
end
o=(1/500+sum(1./([1:25]+bS))).^(-1);
end

% F15

function o = F15(x)
aK=[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246];
bK=[.25 .5 1 2 4 6 8 10 12 14 16];bK=1./bK;
o=sum((aK-((x(1).*(bK.^2+x(2).*bK))./(bK.^2+x(3).*bK+x(4)))).^2);
end

% F16

function o = F16(x)
o=4*(x(1)^2)-2.1*(x(1)^4)+(x(1)^6)/3+x(1)*x(2)-4*(x(2)^2)+4*(x(2)^4);
end

% F17

function o = F17(x)
o=(x(2)-(x(1)^2)*5.1/(4*(pi^2))+5/pi*x(1)-6)^2+10*(1-1/(8*pi))*cos(x(1))+10;
end

% F18

function o = F18(x)
o=(1+(x(1)+x(2)+1)^2*(19-14*x(1)+3*(x(1)^2)-14*x(2)+6*x(1)*x(2)+3*x(2)^2))*...
    (30+(2*x(1)-3*x(2))^2*(18-32*x(1)+12*(x(1)^2)+48*x(2)-36*x(1)*x(2)+27*(x(2)^2)));
end

% F19

function o = F19(x)
aH=[3 10 30;.1 10 35;3 10 30;.1 10 35];cH=[1 1.2 3 3.2];
pH=[.3689 .117 .2673;.4699 .4387 .747;.1091 .8732 .5547;.03815 .5743 .8828];
o=0;
for i=1:4
    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));
end
end

% F20

function o = F20(x)
aH=[10 3 17 3.5 1.7 8;.05 10 17 .1 8 14;3 3.5 1.7 10 17 8;17 8 .05 10 .1 14];
cH=[1 1.2 3 3.2];
pH=[.1312 .1696 .5569 .0124 .8283 .5886;.2329 .4135 .8307 .3736 .1004 .9991;...
.2348 .1415 .3522 .2883 .3047 .6650;.4047 .8828 .8732 .5743 .1091 .0381];
o=0;
for i=1:4
    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));
end
end

% F21

function o = F21(x)
aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;
for i=1:5
    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);
end
end

% F22

function o = F22(x)
aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;
for i=1:7
    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);
end
end

% F23

function o = F23(x)
aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];
cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;
for i=1:10
    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);
end
end

function o=Ufun(x,a,k,m)
o=k.*((x-a).^m).*(x>a)+k.*((-x-a).^m).*(x<(-a));
end

6.3 initialization.m

function Positions=initialization(SearchAgents_no,dim,ub,lb)

Boundary_no= size(ub,1); % numnber of boundaries

% If the boundaries of all variables are equal and user enter a signle
% number for both ub and lb
if Boundary_no==1
    Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;
end

% If each variable has a different lb and ub
if Boundary_no>1
    for i=1:dim
        ub_i=ub(i);
        lb_i=lb(i);
        Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
    end
end

6.4 main.m

clear all 
clc

SearchAgents_no=30; % Number of search agents

Function_name='F1'; % Name of the test function that can be from F1 to F23 ( 

Max_iteration=1000; % Maximum numbef of iterations

% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

[Best_score,Best_pos,SSA_cg_curve]=SSA(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);

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);
semilogy(SSA_cg_curve,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');

axis tight
grid on
box on
legend('SSA')

display(['The best solution obtained by SSA is \m ', num2str(Best_pos)]);
display(['The best optimal value of the objective funciton found by SSA is \n ', num2str(Best_score)]);

6.5 SSA.m

function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj)

if size(ub,1)==1
    ub=ones(dim,1)*ub;
    lb=ones(dim,1)*lb;
end

Convergence_curve = zeros(1,Max_iter);

%Initialize the positions of salps
SalpPositions=initialization(N,dim,ub,lb);


FoodPosition=zeros(1,dim);
FoodFitness=inf;


%calculate the fitness of initial salps

for i=1:size(SalpPositions,1)
    SalpFitness(1,i)=fobj(SalpPositions(i,:));
end

[sorted_salps_fitness,sorted_indexes]=sort(SalpFitness);

for newindex=1:N
    Sorted_salps(newindex,:)=SalpPositions(sorted_indexes(newindex),:);
end

FoodPosition=Sorted_salps(1,:);
FoodFitness=sorted_salps_fitness(1);

%Main loop
l=2; % start from the second iteration since the first iteration was dedicated to calculating the fitness of salps
while l<Max_iter+1
    
    c1 = 2*exp(-(4*l/Max_iter)^2); % Eq. (3.2) in the paper
    
    for i=1:size(SalpPositions,1)
        
        SalpPositions= SalpPositions';
        
        if i<=N/2
            for j=1:1:dim
                c2=rand();
                c3=rand();
                %%%%%%%%%%%%% % Eq. (3.1) in the paper %%%%%%%%%%%%%%
                if c3<0.5 
                    SalpPositions(j,i)=FoodPosition(j)+c1*((ub(j)-lb(j))*c2+lb(j));
                else
                    SalpPositions(j,i)=FoodPosition(j)-c1*((ub(j)-lb(j))*c2+lb(j));
                end
                %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
            end
            
        elseif i>N/2 && i<N+1
            point1=SalpPositions(:,i-1);
            point2=SalpPositions(:,i);
            
            SalpPositions(:,i)=(point2+point1)/2; % % Eq. (3.4) in the paper
        end
        
        SalpPositions= SalpPositions';
    end
    
    for i=1:size(SalpPositions,1)
        
        Tp=SalpPositions(i,:)>ub';Tm=SalpPositions(i,:)<lb';SalpPositions(i,:)=(SalpPositions(i,:).*(~(Tp+Tm)))+ub'.*Tp+lb'.*Tm;
        
        SalpFitness(1,i)=fobj(SalpPositions(i,:));
        
        if SalpFitness(1,i)<FoodFitness
            FoodPosition=SalpPositions(i,:);
            FoodFitness=SalpFitness(1,i);
            
        end
    end
    
    Convergence_curve(l)=FoodFitness;
    l = l + 1;
end

7.運(yùn)行結(jié)果

【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA,# matlab與智能優(yōu)化算法,matlab,算法

8.參考文獻(xiàn)

[1]Mirjalili S,Gandomi H A,Mirjalili Z S, et al. Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems[J]. Advances in Engineering Software,2017,114.文章來源地址http://www.zghlxwxcb.cn/news/detail-518160.html

到了這里，關(guān)于【Matlab】智能優(yōu)化算法_樽海鞘群算法SSA的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

微電網(wǎng)優(yōu)化MATLAB：基于麻雀搜索算法SSA的微電網(wǎng)優(yōu)化調(diào)度（提供MATLAB代碼）
參考文獻(xiàn)： [1]李興莘,張靖,何宇,等.基于改進(jìn)粒子群算法的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J].電力科學(xué)與工程, 2021, 37(3):7 麻雀搜索算法 (Sparrow Search Algorithm, SSA) 是一種新型的群智能優(yōu)化算法，于2020年提出，主要是受麻雀的覓食行為和反捕食行為的啟發(fā)。SSA是一種基于模擬麻雀自然食
2024年01月19日
瀏覽(38)
單目標(biāo)應(yīng)用：基于麻雀搜索算法SSA的微電網(wǎng)優(yōu)化調(diào)度MATLAB
參考文獻(xiàn)： [1]李興莘,張靖,何宇,等.基于改進(jìn)粒子群算法的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度[J].電力科學(xué)與工程, 2021, 37(3):7 麻雀搜索算法 (Sparrow Search Algorithm, SSA) 是一種新型的群智能優(yōu)化算法，于2020年提出，主要是受麻雀的覓食行為和反捕食行為的啟發(fā)。SSA是一種基于模擬麻雀自然食
2024年02月09日
瀏覽(20)
分類預(yù)測(cè) | Matlab實(shí)現(xiàn)SSA-ELM麻雀優(yōu)化算法優(yōu)化極限學(xué)習(xí)機(jī)分類預(yù)測(cè)
分類效果基本描述 1.MATLAB實(shí)現(xiàn)SSA-ELM麻雀優(yōu)化算法優(yōu)化極限學(xué)習(xí)機(jī)分類預(yù)測(cè)（Matlab完整源碼和數(shù)據(jù)) 2.優(yōu)化參數(shù)為權(quán)值和閾值; 3.直接替換數(shù)據(jù)即可使用，保證程序可正常運(yùn)行。 4.程序語言為matlab，程序可出分類效果圖，迭代優(yōu)化圖，混淆矩陣圖。運(yùn)行環(huán)境matlab2018b及以上。 5
2024年02月07日
瀏覽(27)
【SSA-LSTM】基于麻雀算法優(yōu)化LSTM 模型預(yù)測(cè)研究（Matlab代碼實(shí)現(xiàn)）
???????? 歡迎來到本博客 ???????? ??博主優(yōu)勢(shì)： ?????? 博客內(nèi)容盡量做到思維縝密，邏輯清晰，為了方便讀者。 ?? 座右銘：行百里者，半于九十。 ?????? 本文目錄如下： ?????? 目錄 ??1 概述 1.1?麻雀搜索算法 1.2?長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) ??2 運(yùn)行結(jié)果
2023年04月26日
瀏覽(26)
時(shí)序預(yù)測(cè) | Matlab實(shí)現(xiàn)SSA-ESN基于麻雀搜索算法(SSA)優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)(ESN)的時(shí)間序列預(yù)測(cè)
預(yù)測(cè)效果基本介紹 1.Matlab實(shí)現(xiàn)SSA-ESN基于麻雀搜索算法(SSA)優(yōu)化回聲狀態(tài)網(wǎng)絡(luò)(ESN)的時(shí)間序列預(yù)測(cè)（完整源碼和數(shù)據(jù))； 2.數(shù)據(jù)集為excel，單列時(shí)間序列數(shù)據(jù)集，運(yùn)行主程序main.m即可，其余為函數(shù)文件，無需運(yùn)行； 3.SSA優(yōu)化的參數(shù)為：三個(gè)參數(shù)，儲(chǔ)備池規(guī)模，學(xué)習(xí)率，正則化系數(shù)
2024年04月17日
瀏覽(22)
多元分類預(yù)測(cè) | Matlab 麻雀算法(SSA)優(yōu)化xgboost的分類預(yù)測(cè)，多特征輸入模型，SSA-xgboost分類預(yù)測(cè)模型
效果一覽文章概述多元分類預(yù)測(cè) | Matlab 麻雀算法(SSA)優(yōu)化xgboost的分類預(yù)測(cè)，
2024年02月13日
瀏覽(27)
麻雀算法SSA，優(yōu)化VMD，適應(yīng)度函數(shù)為最小包絡(luò)熵，包含MATLAB源代碼
針對(duì)大家評(píng)論區(qū)給出的很多問題，作者一直都有關(guān)注，因此在這里又寫了一篇文章，而且思路與這篇文章有不同之處，至于具體的不同之處放在下一篇文章了，大家感興趣的可以移步觀看，下一篇文章可以說是作者的嘔心力作。 (4條消息) 白鯨優(yōu)化算法優(yōu)化VMD參數(shù)，并提取特
2024年02月09日
瀏覽(90)
多元回歸預(yù)測(cè) | Matlab麻雀算法(SSA)優(yōu)化極限學(xué)習(xí)機(jī)ELM回歸,SSA-ELM回歸預(yù)測(cè)，多變量輸入模型
效果一覽文章概述多元回歸預(yù)測(cè) | Matlab麻雀算法(SSA)優(yōu)化極限學(xué)習(xí)機(jī)ELM回歸,SSA-ELM回歸預(yù)測(cè)，多變量輸入模型評(píng)價(jià)指標(biāo)包括:MAE、RMSE和R2等，代碼質(zhì)量極高，方便學(xué)習(xí)和替換數(shù)據(jù)。要求2018版本及以上。部分源碼
2024年02月12日
瀏覽(27)
分類預(yù)測(cè) | Matlab實(shí)現(xiàn)SSA-CNN-SVM麻雀算法優(yōu)化卷積支持向量機(jī)分類預(yù)測(cè)
分類效果基本描述 1.Matlab實(shí)現(xiàn)SSA-CNN-SVM麻雀算法優(yōu)化卷積支持向量機(jī)分類預(yù)測(cè)（完整源碼和數(shù)據(jù)) 2.優(yōu)化參數(shù)為：學(xué)習(xí)率，批量處理大小，正則化參數(shù)。 3.圖很多，包括分類效果圖，混淆矩陣圖。 4．附贈(zèng)案例數(shù)據(jù)可直接運(yùn)行main一鍵出圖～注意程序和數(shù)據(jù)放在一個(gè)文件夾，運(yùn)
2024年02月07日
瀏覽(32)
時(shí)序預(yù)測(cè) | MATLAB實(shí)現(xiàn)SSA-XGBoost(麻雀算法優(yōu)化極限梯度提升樹)時(shí)間序列預(yù)測(cè)
預(yù)測(cè)效果基本介紹 Matlab實(shí)現(xiàn)SSA-XGBoost時(shí)間序列預(yù)測(cè)，麻雀算法優(yōu)化極限梯度提升樹，優(yōu)化最大迭代次數(shù)，深度，學(xué)習(xí)率； 1.data為數(shù)據(jù)集，單變量時(shí)間序列數(shù)據(jù)集。 2.MainSSAXGBoostTS.m為主程序文件，其他為函數(shù)文件，無需運(yùn)行; 3.評(píng)價(jià)指標(biāo)R2、MAE、MAPE、MSE、MBE； 4.注意程序和數(shù)據(jù)
2024年02月11日
瀏覽(20)