无约束连续函数优化的人工蚁群算法通用matlab源

《无约束连续函数优化的人工蚁群算法通用matlab源》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、无约束连续函数优化的人工蚁群算法通用MATLAB源题目：无约束连续函数优化的人工蚁群算法通用MATLAB源码此源码是对人工蚁群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解。function[BESTX,BESTY,ALLX,ALLY]=ACOUCP(K,N,Rho,Q,Lambda,LB,UB)%%AntColonyOptimizationforUnconstrainedContinuousProblem%%ACOUCP.m%%无约束连续函数的蚁群优化算法%%此函数实现蚁群算法

2、，用于求解无约束连续函数最小化问题%%对于最大化问题，请先将其加负号转化为最小化问题%%输入参数列表%K       迭代次数%N       蚁群规模%Rho     信息素蒸发系数，取值0～1之间，推荐取值0.7～0.95%Q       信息素增加强度，大于0，推荐取值1左右%Lambda  蚂蚁爬行速度，取值0～1之间，推荐取值0.1～0.5%LB      决策变量的下界，M×1的向量%UB      决策变量的上界，M×1的向量%%输出参数列表%BESTX   K×1细胞结构，每一个元素是M×1向量，记录每一代的最优蚂蚁%BESTY   K×1矩阵，记录每

3、一代的最优蚂蚁的评价函数值%ALLX    K×1细胞结构，每一个元素是M×N矩阵，记录每一代蚂蚁的位置%ALLY    K×N矩阵，记录每一代蚂蚁的评价函数值%%测试函数设置%测试函数用单独的子函数编写好，在子函数FIT.m中修改要调用的测试函数名即可%注意：决策变量的下界LB和上界UB，要与测试函数保持一致%%参考设置%[BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB)%%第一步：初始化M=length(LB);%决策变量的个数%蚁群位置初始化X=zeros(M,N);fori=1:M   x=unifrn

4、d(LB(i),UB(i),1,N);   X(i,:)=x;end%输出变量初始化ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值k=1;%迭代计数器初始化Tau=ones(1,N);%信息素初始化Y=zeros(1,N);%适应值初始化%%第二步：迭代过程whilek<=K   YY=zeros(1,

5、N);   forn=1:N       x=X(:,n);       YY(n)=FIT(x);   end   maxYY=max(YY);   temppos=find(YY==maxYY);   POS=temppos(1);   %蚂蚁随机探路   forn=1:N       ifn~=POS           x=X(:,n);           Fx=FIT(x);           mx=GaussMutation(x,LB,UB);           ifFmx

6、    Y(n)=Fmx;           elseifrand>1-(1/(sqrt(k)))               X(:,n)=mx;               Y(n)=Fmx;           else               X(:,n)=x;               Y(n)=Fx;           end       end   end   forn=1:N       ifn~=POS           x=X(:,n);           Fx=FIT(x);           mx=GaussMutation(x

7、,LB,UB);           Fmx=FIT(mx);           ifFmx1-(1/(sqrt(k)))               X(:,n)=mx;               Y(n)=Fmx;           else               X(:,n)=x;               Y(n)=Fx;           end       end   end   %朝信息素最大的地方移动   forn=1:N