【Matlab】-- 飞蛾扑火优化算法

文章目录

01 飞蛾扑火算法介绍

飞蛾扑火算法（Moth-Flame Optimization，MFO）是一种基于自然界飞蛾行为的群体智能优化算法。该算法由 Seyedali Mirjalili 于 2015 年提出，灵感来自于飞蛾在夜间导航时会被光源吸引的行为。飞蛾扑火算法通过模拟飞蛾绕着火焰（光源）螺旋飞行的轨迹，寻找最优解。

02 飞蛾扑火算法伪代码

初始化飞蛾群体的位置
计算飞蛾群体的适应度值
初始化火焰的位置和适应度值

while (未达到最大迭代次数)
    根据当前火焰更新飞蛾的位置
    计算飞蛾的新适应度值
    更新火焰的位置和适应度值
    记录当前迭代的最优适应度值
    迭代计数器加1
end while

03 基于Matlab的部分飞蛾扑火MFO算法

%% 定义算法参数
N=50;%种群规模
Max_iteration=50;%最大迭代代数
lb=-0.5;%下限
ub=0.5;%上限

%初始化飞蛾的位置
Moth_pos=initialization(N,dim,ub,lb);

Convergence_curve=zeros(1,Max_iteration);

Iteration=1;
tic;

while Iteration<Max_iteration+1

    % 公式
    Flame_no=round(N-Iteration*((N-1)/Max_iteration));

    for i=1:size(Moth_pos,1)

        %检查飞蛾是否不在搜索空间
        Flag4ub=Moth_pos(i,:)>ub;
        Flag4lb=Moth_pos(i,:)<lb;
        Moth_pos(i,:)=(Moth_pos(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;  

        % 计算适应度函数
        X=Moth_pos(i,:);
        Moth_fitness(1,i)=Objfun1(X,P_train,T_train,hiddennum,P_test,T_test); 
       % Moth_fitness(1,i)=fobj(Moth_pos(i,:));  

    end

    if Iteration==1
        % 对第一批飞蛾进行分类
        [fitness_sorted I]=sort(Moth_fitness);
        sorted_population=Moth_pos(I,:);

        % 更新
        best_flames=sorted_population;
        best_flame_fitness=fitness_sorted;
    else

        % 排序
        double_population=[previous_population;best_flames];
        double_fitness=[previous_fitness best_flame_fitness];

        [double_fitness_sorted I]=sort(double_fitness);
        double_sorted_population=double_population(I,:);

        fitness_sorted=double_fitness_sorted(1:N);
        sorted_population=double_sorted_population(1:N,:);

        % 更新
        best_flames=sorted_population;
        best_flame_fitness=fitness_sorted;
    end

    % 更新目前获得的最佳火焰位置
    Best_flame_score=fitness_sorted(1);
    Best_flame_pos=sorted_population(1,:);

    previous_population=Moth_pos;
    previous_fitness=Moth_fitness;

    % a从-1到-2线性递减
    a=-1+Iteration*((-1)/Max_iteration);

   未完...

end

代码解释：

1. 初始化：

   • 初始化飞蛾的位置和适应度。
   • 初始化收敛曲线和迭代计数器。

2. 主循环：

   • 每次迭代更新火焰的数量。
   • 检查并修正飞蛾的位置，确保在搜索空间内。
   • 计算每个飞蛾的适应度值。
   • 对飞蛾进行排序，更新火焰。
   • 更新最佳火焰的位置和适应度值。
   • 更新a值，使其线性递减。
   • 根据螺旋飞行路径更新飞蛾的位置。
   • 存储当前迭代的最佳适应度值，并绘制收敛曲线。

3. 收敛判断：

   • 迭代达到最大次数后，输出最优解。

通过这些步骤，飞蛾扑火算法能够有效地搜索全局最优解，并且在多种优化问题中表现良好。

04 参考文献

Seyedali Mirjalili, Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm, Knowledge-Based Systems,
Volume 89, 2015.