1 簡介

蜘蛛猴算法 ( SMO ) 是 2014 年由 Jagdish Chand Bansal 等 學(xué)者提出的 ， 是一種建立在對蜘蛛猴群 覓食行為建?；A(chǔ)上產(chǎn)生的新型解決優(yōu)化問題的數(shù)值優(yōu)化方法 ． 根據(jù)原始 SMO 算法多種改進(jìn)算法 被研發(fā)用來解決優(yōu)化問題 ．

2 部分代碼

clc;

clear;

close all;

%% TARGET EQUATION

% ((ABS(X)-20)^2+(Y)^2)  -100<X<100   -100<Y<100

%% MONKEY DEFINITION

empty_particle.Position=[];

empty_particle.Cost=[];

empty_particle.LimitCount=[];

%% GENERAL CONFIGURATION

config;

confg = repmat(empty_config,1,1);

confg.VarMin = [-100,-100];

confg.VarMax=[100,100];

confg.nVar = 2;

confg.nPop = 50;

confg.nGrp = 1;

confg.MaxGrps = 5;

confg.MaxIt=50;

confg.LocalLimitCount = 50;

confg.GlobalLimitCount = 150;

%confg.LocalLimitCount = 30;

%confg.GlobalLimitCount = 50;

confg.PR = 0.1;

confg.grpSize=ceil(confg.nPop/confg.nGrp);

%% SMO

SM = repmat(empty_particle,confg.nPop,1);

LL = repmat(empty_particle,confg.nPop,1);

GL = repmat(empty_particle,1,1);

SM = Initialize(SM,confg);

GL.Cost=Inf;

[LL,GL] = SetInitialLeaders(SM,GL,LL,confg);

for run=1:1 

    for it=1:confg.MaxIt

        SM = LocalLeaderPhase(SM,LL,confg);

        SM = GlobalLeaderPhase(SM,GL,confg);

        LL = LocalLeaderLearningPhase(SM,LL,confg);

        GL = GlobalLeaderLearningPhase(GL,LL,confg);

        [SM,LL] = LocalLeaderDecisionPhase(SM,GL,LL,confg);

        [GL,LL,confg] = GlobalLeaderDecisionPhase(SM,GL,LL,confg);

        yy(it)=GL.Cost;

        fprintf(’Iteration=%d Cost=%f Position=(%f %f) ’,it,GL.Cost,GL.Position(1),GL.Position(2));

%         plotData(SM,GL,LL,confg);

    end

end

figure(1)

plot(yy)

xlabel(’迭代次數(shù)’)

ylabel(’適應(yīng)度值’)

3 仿真結(jié)果

4 參考文獻(xiàn)

[1]徐小平, 楊轉(zhuǎn), & 劉龍. (2020). 求解物流配送中心選址問題的蜘蛛猴算法. 計算機(jī)工程與應(yīng)用.

微信掃一掃贊賞作者 贊賞

長按二維碼向我轉(zhuǎn)賬

受蘋果公司新規(guī)定影響，微信 iOS 版的贊賞功能被關(guān)閉，可通過二維碼轉(zhuǎn)賬支持公眾號。