常用智能优化算法改进策略---变异篇（五种变异策略）可用于改进所有智能算法，让小白也会改进智能算法。...

阅读本书更多章节>>>>

本期文章将讲述常用智能优化算法改进策略---变异篇，一共包含五种常见的变异策略：

高斯变异，t分布扰动变异，自适应t分布扰动变异，柯西变异，差分变异。

五种策略可以方便移植到其他智能算法的改进中！

为了方便大家对变异策略的深入了解，作者将在简单易懂的粒子群算法教大家如何运用这五种策略，今后也方便大家移植到别的智能算法中。

高斯变异：

高斯函数如下：

带入粒子群算法中如下：

t分布扰动变异：

带入粒子群算法中如下：

自适应t分布扰动变异；

对C_Iter进行自适应变化，可以在算法前期进行全局搜索，在后期进行局部搜索，从而达到收敛。

 freen = exp(4.*(l/iter).^2);  

然后再带入此式当中：

柯西变异：

柯西概率密度函数如下：

带入粒子群算法中：

xnewbest=xbest+xbest×Cauchy(0,1)

随机差分变异：

Xα是全局最优粒子，X‘(t)是随机粒子，r是一个[0,1]的随机数。

结果展示

在CEC2005函数集进行展示，设置迭代次数1000次，种群个数100个。

其中PSO为原始粒子群，GPSO是高斯变异的粒子群，t-PSO是t分布变异的粒子群，self_adaption_t_PSO是自适应t分布变异的粒子群，CPSO是柯西变异的粒子群，DE-PSO是差分变异的粒子群。

注意！本程序代码只是为了教大家如何使用这几种变异策略，如果看到改进后的算法没有原始算法效果好，请不要见怪！

这几种策略并非说用到某种算法上就一定会效果好，关键要看算法本身的原理公式适不适合！要分析其原理并不断进行尝试！

代码展示

%clearclcclose allnumber='F'; %选定优化函数，自行替换:F1~F23[lb,ub,dim,fobj]=CEC2005(number);  % [lb,ub,D,y]：下界、上界、维度、目标函数表达式SearchAgents=100;                      % population members Max_iterations=1000;                  % maximum number of iteration%% 调用PSO算法[fMin , bestX, PSO_Convergence_curve ] = PSO(SearchAgents, Max_iterations,lb,ub,dim,fobj);display(['The best optimal value of the objective funciton found by PSO  for ' [num2str(number)],'  is : ', num2str(fMin)]);fprintf ('Best solution obtained by PSO: %s\n', num2str(bestX,'%e  '));%% 调用高斯变异的PSO[Best_score,Best_pos,GPSO_curve]=GPSO(SearchAgents,Max_iterations,lb,ub,dim,fobj);  % Calculating the solution of the given problem using GPSOdisplay(['The best optimal value of the objective funciton found by GPSO  for ' [num2str(number)],'  is : ', num2str(Best_score)]);fprintf ('Best solution obtained by GPSO: %s\n', num2str(Best_pos,'%e  '));%% 调用t分布扰动的PSO算法[Alpha_score,Alpha_pos,t_PSO_Convergence_curve]=t_PSO(SearchAgents,Max_iterations,lb,ub,dim,fobj);display(['The best optimal value of the objective funciton found by t_PSO  for ' [num2str(number)],'  is : ', num2str(Alpha_score)]);fprintf ('Best solution obtained by t_PSO: %s\n', num2str(Alpha_pos,'%e  '));%% 调用自适应t分布扰动的PSO算法[Alpha_score,Alpha_pos,self_adaption_t_PSO_Convergence_curve]=self_adaption_t_PSO(SearchAgents,Max_iterations,lb,ub,dim,fobj);display(['The best optimal value of the objective funciton found by self_adaption_t_PSO  for ' [num2str(number)],'  is : ', num2str(Alpha_score)]);fprintf ('Best solution obtained by self_adaption_t_PSO: %s\n', num2str(Alpha_pos,'%e  '));%% 调用柯西变异扰动的PSO算法[Alpha_score,Alpha_pos,CPSO_Convergence_curve]=CPSO(SearchAgents,Max_iterations,lb,ub,dim,fobj);display(['The best optimal value of the objective funciton found by CPSO  for ' [num2str(number)],'  is : ', num2str(Alpha_score)]);fprintf ('Best solution obtained by CPSO: %s\n', num2str(Alpha_pos,'%e  '));%% 调用差分变异扰动的PSO算法[Alpha_score,Alpha_pos,DE_PSO_Convergence_curve]=DE_PSO(SearchAgents,Max_iterations,lb,ub,dim,fobj);display(['The best optimal value of the objective funciton found by DE_PSO  for ' [num2str(number)],'  is : ', num2str(Alpha_score)]);fprintf ('Best solution obtained by DE_PSO: %s\n', num2str(Alpha_pos,'%e  ')); %% Figurefigure1 = figure('Color',[1 1 1]);G1=subplot(1,2,1,'Parent',figure1);func_plot(number)title(number)xlabel('x')ylabel('y')zlabel('z')subplot(1,2,2)G2=subplot(1,2,2,'Parent',figure1);CNT=20;k=round(linspace(1,Max_iterations,CNT)); %随机选CNT个点% 注意：如果收敛曲线画出来的点很少，随机点很稀疏，说明点取少了，这时应增加取点的数量，100、200、300等，逐渐增加% 相反，如果收敛曲线上的随机点非常密集，说明点取多了，此时要减少取点数量iter=1:1:Max_iterations;if ~strcmp(number,'F16')&&~strcmp(number,'F9')&&~strcmp(number,'F11')  %这里是因为这几个函数收敛太快，不适用于semilogy，直接plot    semilogy(iter(k),PSO_Convergence_curve(k),'b-^','linewidth',1);    hold on    semilogy(iter(k),GPSO_curve(k),'m-*','linewidth',1);    hold on    semilogy(iter(k),t_PSO_Convergence_curve(k),'r->','linewidth',1);    hold on    semilogy(iter(k),self_adaption_t_PSO_Convergence_curve(k),'k-p','linewidth',1);    hold on    semilogy(iter(k),CPSO_Convergence_curve(k),'g-v','linewidth',1);    hold on    semilogy(iter(k),DE_PSO_Convergence_curve(k),'y-+','linewidth',1);else    plot(iter(k),PSO_Convergence_curve(k),'b-^','linewidth',1);    hold on    plot(iter(k),GPSO_curve(k),'m-*','linewidth',1);    hold on    plot(iter(k),t_PSO_Convergence_curve(k),'r->','linewidth',1);    hold on    plot(iter(k),self_adaption_t_PSO_Convergence_curve(k),'k-p','linewidth',1);    hold on    plot(iter(k),CPSO_Convergence_curve(k),'g-v','linewidth',1);    hold on    plot(iter(k),DE_PSO_Convergence_curve(k),'y-+','linewidth',1);endgrid on;title('收敛曲线')xlabel('迭代次数');ylabel('适应度值');box onlegend('PSO','GPSO','t-PSO','self-adaption_t-PSO','CPSO','DE-PSO')set (gcf,'position', [300,300,800,330])

代码目录

直接运行MAIN.m脚本文件即可！

点击下方卡片获取更多代码！

往期独家原创优秀算法：

独家原创！改进蜣螂优化算法，效果极好！三大经典测试集表现均为最佳！精品力荐！

融合鱼鹰和柯西变异的麻雀优化算法，效果好的起飞！改进麻雀，力荐！

多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略

融合柯西变异和自适应莱维飞行的布谷鸟优化算法，改进布谷鸟，MATLAB代码

融合蝴蝶搜索的麻雀优化算法，你见过吗？附MATLAB代码‍

改进蜣螂优化--采用莱维飞行和三角形游走策略‍‍

CEC2005/2017/2019/2021/2022函数集智能优化算法对比实验常用指标一键导出为EXCEL，一文全部搞定！

后续会不定时更新哦~

阅读本书更多章节>>>>

本文链接：https://www.kjpai.cn/gushi/2024-05-04/164631.html，文章来源：网络cs，作者：焦糖，版权归作者所有，如需转载请注明来源和作者，否则将追究法律责任！