基于麻雀搜索算法的线性规划问题求解matlab程序

理解算法，如排序和搜索，它们是高效编程的基础。 #生活技巧# #数码产品使用技巧# #编程入门指南#

基于麻雀搜索算法的线性规划问题求解matlab程序

1 麻雀搜索算法

麻雀搜索算法（sparrow search algorithm，SSA）由Jiankai Xue等人于2020年提出，该算法是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖，具有寻优能力强，收敛速度快的优点。麻雀群觅食过程也是发现者-跟随者模型的一种，同时还叠加了侦查预警机制。麻雀中找到食物较好的个体作为发现者，其他个体作为跟随者，同时种群中选取一定比例的个体进行侦查预警，如果发现危险则放弃食物，安全第一。

2 线性规划算例

3 麻雀搜索算法求解结果

1）迭代曲线

2）求解答案

4 matlab程序
1）主函数

%% 基于麻雀算法 clc close all clear %% 算法参数设置 N=500; %麻雀个数 dim=3; %评估函数维度,变量个数 N_discoverer=0.7*N; %发现者个数 N_Followers=0.1*N; %追随者个数 N_Vigilant=0.2*N; %警戒者个数 Max_iter=200; %最大迭代次数 ST=0.6; %安全阈值 %% 变量上下限 ub=[15,15,15];%边界上限 lb=[0,0,0];%边界下限 %% 初始化 x=lb+rand(N,dim).*(ub-lb); %初始化麻雀种群 for i=1:N fitness(i)=f(x(i,:)); %计算麻雀种群的适应度值 end [A,index]=sort(fitness); x_best=x(index(1),:); %记录所有麻雀走过的位置的最优位置 x_worst=x(index(end),:); %记录所有麻雀走过的位置的最差位置 best_fitness=A(1); %记录所有麻雀走过的位置的最优值 worst_fitness=A(end); %记录所有麻雀走过的位置的最差值 x_best_currently=x(index(1),:); %记录当前麻雀种群最优位置 x_worst_currently=x(index(end),:); %记录当前麻雀种群最差位置 best_fitness_currently=A(1); %记录当前麻雀种群最优值 worst_fitness_currently=A(end); %记录当前麻雀种群最差值 x_discoverer=x(index(1:N_discoverer),:); %发现者位置 x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %追随者位置 x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %警戒者位置 B=[-1,1]; F=best_fitness; %记录每次迭代的麻雀走过的位置的最优值 iter=1; %初始化迭代次数 %% 开始迭代更新 while iter<Max_iter for i=1:dim C(i)=B(round(rand)+1); end A=C'*inv((C*C')); R2=rand; %更新发现者位置 for i=1:N_discoverer for j=1:dim if R2<ST x_discoverer(i,j)=x_discoverer(i,j)*exp(-i/rand*Max_iter); else x_discoverer(i,j)=x_discoverer(i,j)+randn; end end %边界判断 ub_flag=x_discoverer(i,:)>ub; lb_flag=x_discoverer(i,:)<lb; x_discoverer(i,:)=(x_discoverer(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end %更新追随者位置 for i=1:N_Followers for j=1:dim if i>N/2 x_Followers(i,j)=rand*exp((x_worst_currently(j)-x_Followers(i,j))/i^2); else x_Followers(i,j)=x_discoverer(1,j)+abs(x_Followers(i,j)-x_discoverer(1,j))*A(j); end end %边界判断 ub_flag=x_Followers(i,:)>ub; lb_flag=x_Followers(i,:)<lb; x_Followers(i,:)=(x_Followers(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end %更新警戒者位置 for i=1:N_Vigilant for j=1:dim if f(x_Vigilant(i,:))~=best_fitness_currently x_Vigilant(i,j)=x_best_currently(j)+randn*abs(x_Vigilant(i,j)-x_best_currently(j)); else x_Vigilant(i,j)=x_Vigilant(i,j)+B(round(rand)+1)*(abs(x_Vigilant(i,j)-x_worst_currently(j)))/abs(f(x_Vigilant(i,:))-worst_fitness_currently)+1; end end %边界判断 ub_flag=x_Vigilant(i,:)>ub; lb_flag=x_Vigilant(i,:)<lb; x_Vigilant(i,:)=(x_Vigilant(i,:).*(~(ub_flag+lb_flag)))+ub.*ub_flag+lb.*lb_flag; end x=[x_discoverer;x_Followers;x_Vigilant]; %得到该次迭代下的所有麻雀的新位置 for i=1:N fitness(i)=f(x(i,:)); %计算适应度 end [E,index]=sort(fitness); if f(x(index(1),:))<best_fitness %更新所有麻雀走过的位置的最优位置和最优值 best_fitness=f(x(index(1),:)); x_best=x(index(1),:); end if f(x(index(end),:))>worst_fitness %更新所有麻雀走过的位置的最差位置和最差值 worst_fitness= f(x(index(end),:)); x_worst=x(index(end),:); end x_best_currently=x(index(1),:); %更新当前麻雀种群的最优位置 x_worst_currently=x(index(end),:); %更新当前麻雀种群的最差位置 best_fitness_currently=E(1); %更新当前麻雀的种群的最优值 worst_fitness_currently=E(end); %更新当前麻雀的种群的最差值 x_discoverer=x(index(1:N_discoverer),:); %重新选择种群中的发现者 x_Followers=x(index(N_discoverer+1:N_discoverer+N_Followers),:); %重新选择种群中的追随者 x_Vigilant=x(index(N_discoverer+N_Followers+1:N),:); %重新选择种群中的警戒者 F=[F,best_fitness]; iter=iter+1; %迭代次数加一 disp(['迭代次数', num2str(iter),'最优适应度', num2str(best_fitness)]) plot(F); xlabel('迭代次数'); ylabel('适应度值'); drawnow end %% 结果 作图 display(['最优值是:',num2str(F(end))]); display(['最优变量是:',num2str(x_best_currently)]); 。。。。。。。略

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126

网址：基于麻雀搜索算法的线性规划问题求解matlab程序 https://www.yuejiaxmz.com/news/view/431883

相关内容

【创新未发表】基于鱼鹰OOA求解带时间窗的骑手外卖配送路径规划问题，最优路径成本附Matlab代码
【负荷预测】基于DBO、PSO、SSA、GOOSE算法优化ELM的电力负荷预测研究附Matlab代码
麻雀搜索算法SSA（有matlab代码，复制粘贴即可）
【数学建模】线性规划模型基本原理与案例分享
旅游路线规划：用数学建模优化旅行体验
Matlab使用节约里程法(CW)方法进行VRP的求解
算法动态规划01背包问题
考虑个性化出行需求的多模式公交路径规划
m基于遗传算法的城市生活垃圾回收网络优化matlab仿真
基于MATLAB语音识别系统GUI界面

随便看看