null - 程序员宅基地

ABC人工蜂群算法求解函数优化实例C++（2020.11.5）_人工蜂群算法应用实例-程序员宅基地

ABC人工蜂群算法C++

人工蜂群算法

人工蜂群算法

1、原理

        最常见的基于蜜蜂采蜜行为的蜂群算法是Karaboga(2005)提出的人工蜂群算法，通常称该算法为标准（或原始）人工蜂群算法，其主要是为了解决多维和多模的函数优化问题。
        标准的人工蜂群算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为三类：雇佣蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中，雇佣蜂利用先前的蜜源信息寻找新的蜜源并与跟随蜂分享蜜源信息；观察蜂在蜂房中等待并依据雇佣蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近地寻找蜜源。
        算法主要包括以下四个部分。
        （1）蜜源初始化：初始化时，随机生成 $S N$ 个可行解（等于雇佣蜂的数量）并计算适应度函数值。随机产生可行解的公式为 $x_{ij}=x_{min,j}+rand(0,1)(x_{max,j}-x_{min,j)}$ 其中， $x_i$ (i=1,2,…,SN)表示 $D$ 维向量， $D$ 表示优化参数的个数； $j∈{1,2,...,D}$ 。
        （2）新蜜源的更新搜索：蜜蜂记录自己到目前为止的最优值，并在当前蜜源邻域内展开搜索，基本ABC在蜜源附近搜索新蜜源的公式为 $v_{ij}=x_{ij}+φ_{ij}(x_{ij}-x_{kj})$ 其中， $j∈{1,2,...,D}$ ， $k∈{1,2,...,SN}$ ， $k$ 表示随机生成且 $k \neq = i$ ； $φ$ 表示[-1,1]的随机数。
        （3）观察蜂选择蜜源的概率为 $P_i=\frac{fit(x_i)}{\sum_{n=1}^{SN}fit(x_n)}$ 其中， $fit(x_i)$ 表示第 $i$ 个解的适应度，对应蜜源的丰富程度。蜜源越丰富，被跟随蜂选择的概率越大，按以下式子计算适应度： $fit(x_i) = \begin{cases} \frac{1}{1+f_i}, & \text{$f_i>0$} \\[2ex] 1+abs(f_i) & \text{$f_i<0$} \\ \end{cases}$ 其中， $f_i$ 是蜜源的适应值。

（4）侦察蜂的产生：为防止算法陷入局部最优，当某蜜源迭代 $l i m i t$ 次没有改进时，便放弃该蜜源，并且将该蜜源记录在禁忌表中，同时该蜜源对应的雇佣蜂转变为侦察蜂，随机产生一个新的位置代替原蜜源。
人工蜂群算法就是通过不断地角色转换和执行行为模式，最终找到最丰富食物源。在人工蜂群算法中，雇佣蜂有保持优良食物源的作用，具有精英特性；跟随蜂增加较好食物源对应的蜜蜂数，加快算法的收敛；侦察蜂随机搜索新食物源，帮助算法跳出局部最优。

2、算法流程

        人工蜂群算法的算法流程如下：
        步骤1：根据第一个式子初始化种群解 $x_i，i=1,...,SN$
        步骤2：计算种群中各个蜜蜂的适应值
        步骤3：cycle=1
        步骤4：repeat
        步骤5：雇佣蜂根据第二个式子产生新的解 $v_i$ 并计算适应值
        步骤6：雇佣蜂根据贪心策略选择蜜源
        步骤7：根据第三个式子计算选择蜜源 $x_i$ 的概率 $P_i$
        步骤8：跟随蜂根据概率 $P_i$ 选择蜜源 $x_i$ ，根据第二个式子在该蜜源附近产生新的蜜源 $v_i$ ，并计算新蜜源 $v_i$ 的适应值
        步骤9：跟随蜂根据贪心策略选择蜜源
        步骤10：决定是否存在需要放弃的蜜源，如果存在，根据第一个式子随机产生一个蜜源替代它
        步骤11：记录最优解
        步骤12：cycle=cycle+1
        步骤13：until cycle = MCN ,MCN表示终止代数。

3、函数优化实例

$minf(x_1,x_2)=0.5+ \frac{ {sin}^2 \sqrt{x_1^2+x_2^2 }-0.5}{ {(1+0.001(x_1^2+x_2^2))}^2}$
其中， $100≤x_1,x_2≤100 （i=1,2,...,30)$
在这里插入图片描述

MATLAB绘制上述函数图像代码如下：

X=-100:4:100;
Y=-100:4:100;
[XX,YY]=meshgrid(X,Y);
Z=0.5+(power(sin(sqrt(XX.*XX+YY.*YY)),2)-0.5)./power(1+0.001.*power(XX.*XX+YY.*YY,2),2);
figure
subplot(221)
mesh(X,Y,Z)
subplot(222)
surf(X,Y,Z)
subplot(223)
surfc(X,Y,Z)
subplot(224)
surfl(X,Y,Z)
shading interp;
colormap(gray);

4、求解函数优化的ABC源代码C++

        人工蜂群算法中输入参数：
        蜜源数量 $S N = 20$
        解向量的维数 $D i m e n s i o n = 2$
        最大循环次数 $M C N = 10000$
        蜜源没改进的最大次数 $l i m i t = 20$
main.cpp

#include <iostream>
#include <random>
#include <time.h>
using namespace std;
double Xmax = 100, Xmin = -100;
std::default_random_engine random((unsigned int)time(NULL));
std::uniform_real_distribution<double> u(Xmin, Xmax); //随机数分布对象
std::uniform_real_distribution<double> u0(0, 1); //随机数分布对象
std::uniform_real_distribution<double> u1(-1, 1); //随机数分布对象

struct Bee
{
    
public:
	int dimension;//变量的维数
	double *X;//蜜蜂
	double fitdegreevalue = 0;
	double selectprobability = 0;
	int limitcishu = 0;
	void Init(int Dimension)//初始化函数
	{
    
		dimension = Dimension;
		X = new double[dimension];
		for (int j = 0; j < dimension; j++)
			*(X + j) = u(random);
	}
};
struct BeeQun
{
    
public:
	Bee *miyuan, bestmiyuan, *employedbee, *onlookerbee;//蜜源、最好蜜源、雇佣蜂、观察蜂
	int SN;//雇佣蜂的数量、蜜源的数量、观察蜂的数量相等
	int Dimension;//可行解的维数
	int MCN;//终止代数
	int Limit;//为防止算法陷入局部最优，蜜源最大改进次数
	void Init(int sn, int dimension, int mcn, int limit)
	{
    
		SN = sn;
		Dimension = dimension;
		MCN = mcn;
		Limit = limit;
		miyuan = new Bee[SN];
		employedbee = new Bee[SN];
		onlookerbee = new Bee[SN];
		for (int i = 0; i < SN; i++)//蜜源、雇佣峰、观察蜂初始化：随机产生SN个可行解，并计算适应度函数值
		{
    
			(miyuan + i)->Init(Dimension);
			double beefunvalue = CalculateFitValue(*(miyuan + i));
			(miyuan + i)->fitdegreevalue = CalculateFitDegree(beefunvalue);

			(employedbee + i)->Init(Dimension);
			double employedbeefunvalue = CalculateFitValue(*(employedbee + i));
			(employedbee + i)->fitdegreevalue = CalculateFitDegree(employedbeefunvalue);

			(onlookerbee + i)->Init(Dimension);
			double onlookerbeefunvalue = CalculateFitValue(*(onlookerbee + i));
			(onlookerbee + i)->fitdegreevalue = CalculateFitDegree(onlookerbeefunvalue);
		}
		bestmiyuan.Init(Dimension);//最好蜜源初始化
		for (int j = 0; j < Dimension; j++)
		{
    
			bestmiyuan.X[j] = miyuan->X[j];
		}
		bestmiyuan.fitdegreevalue = miyuan->fitdegreevalue;
	}
	double CalculateFitValue(Bee be)//计算蜜蜂的目标函数值
	{
    
		double funvalue = 0;
		for (int j = 0; j < Dimension; j++)
			funvalue += be.X[j] * be.X[j];
		funvalue = 0.5 + (pow(sin(sqrt(funvalue)), 2) - 0.5) / pow((1 + 0.001*funvalue), 2);
		return funvalue;
	}
	double CalculateFitDegree(double fi)//由目标函数值计算适应度
	{
    
		double fitnessdu = 0;
		if (fi > 0) fitnessdu = 1.0 / (1 + fi);
		else fitnessdu = 1.0 + abs(fi);
		return fitnessdu;
	}
	void EmployedBeeOperate()//雇佣蜂操作函数
	{
    
		std::uniform_int_distribution<int> uD(1, Dimension); //随机数分布对象
		std::uniform_int_distribution<int> uSN(1, SN); //随机数分布对象
		for (int i = 0; i < SN; i++)
		{
    
			for (int j = 0; j < Dimension; j++)//雇佣峰利用先前的蜜源信息寻找新的蜜源
			{
    
				(employedbee + i)->X[j] = (miyuan + i)->X[j];
			}
			int k, jie;//随机生成且 k≠i k∈[1,SN]
			jie = uD(random) - 1;//jie为【1，Dimension】上的随机数
			double φ = u1(random);//φ表示[-1,1]之间的随机数
			while (true)
			{
    
				k = uSN(random) - 1;
				if (k != i)break;
			}
			(employedbee + i)->X[jie] = (miyuan + i)->X[jie] + φ*((miyuan + i)->X[jie] - (miyuan + k)->X[jie]);//搜索新蜜源
																											   //保证蜜源位置不越界
			if ((employedbee + i)->X[jie] > Xmax) (employedbee + i)->X[jie] = Xmax;
			else if ((employedbee + i)->X[jie] < Xmin) (employedbee + i)->X[jie] = Xmin;
			(employedbee + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(employedbee + i)));//计算适应值
																										  //雇佣蜂根据贪心策略选择蜜源
			if (CalculateFitValue(*(employedbee + i)) < CalculateFitValue(*(miyuan + i)))
			{
    
				for (int j = 0; j < Dimension; j++)
					(miyuan + i)->X[j] = (employedbee + i)->X[j];
				(miyuan + i)->limitcishu = 0;
				(miyuan + i)->fitdegreevalue = (employedbee + i)->fitdegreevalue;
			}
			else
				(miyuan + i)->limitcishu++;//蜜源未改进次数加一
		}
	}
	void CalculateProbability()//计算蜜源概率的函数
	{
    
		for (int i = 0; i < SN; i++)
		{
    
			(miyuan + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(miyuan + i)));
		}
		double sumfitdegreevalue = 0;
		for (int i = 0; i < SN; i++)
		{
    
			sumfitdegreevalue += (miyuan + i)->fitdegreevalue;
		}
		for (int i = 0; i < SN; i++)
		{
    
			(miyuan + i)->selectprobability = (miyuan + i)->fitdegreevalue / sumfitdegreevalue;
		}
	}
	void OnLookerBeeOperate()//观察蜂操作
	{
    
		std::uniform_int_distribution<int> uD(1, Dimension); //随机数分布对象
		std::uniform_int_distribution<int> uSN(1, SN); //随机数分布对象
		int m = 0;
		while (m < SN)//为所有的观察蜂按照概率选择蜜源并搜索新蜜源，计算新蜜源适应值
		{
    
			double m_choosedprobability = u0(random);//0~1之间的随机数
			for (int i = 0; i < SN; i++)
			{
    
				if (m_choosedprobability < (miyuan + i)->selectprobability)
				{
    
					int k, jie;//随机生成且 k≠i k∈[1,SN]
					jie = uD(random) - 1;//jie为【1，Dimension】上的随机数
					double φ = u1(random);//φ表示[-1,1]之间的随机数
					while (true)
					{
    
						k = uSN(random) - 1;
						if (k != i)break;
					}
					for (int j = 0; j < Dimension; j++)
						(onlookerbee + m)->X[j] = (miyuan + i)->X[j];
					(onlookerbee + m)->X[jie] = (miyuan + i)->X[jie] + φ*((miyuan + i)->X[jie] - (miyuan + k)->X[jie]);//搜索新蜜源
					if ((onlookerbee + m)->X[jie] > Xmax) (onlookerbee + m)->X[jie] = Xmax;
					else if ((onlookerbee + m)->X[jie] < Xmin) (onlookerbee + m)->X[jie] = Xmin;//判断是否越界
					(onlookerbee + m)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(onlookerbee + m)));
					//贪心策略选择蜜源
					if (CalculateFitValue(*(onlookerbee + m)) < CalculateFitValue(*(miyuan + i)))
					{
    
						for (int j = 0; j < Dimension; j++)
							(miyuan + i)->X[j] = (onlookerbee + m)->X[j];
						(miyuan + i)->fitdegreevalue = (onlookerbee + m)->fitdegreevalue;
					}
					else
						(miyuan + i)->limitcishu++;
					m++;
				}break;
			}
		}
	}
	void ScoutBeeOperate()//侦查蜂操作,决定蜜源是否放弃，并随机产生新位置替代原蜜源
	{
    
		for (int i = 0; i < SN; i++)
		{
    
			if ((miyuan + i)->limitcishu >= Limit)
			{
    
				for (int j = 0; j < Dimension; j++)
				{
    
					(miyuan + i)->X[j] = u(random);//随机产生可行解
				}
				(miyuan + i)->limitcishu = 0;
				(miyuan + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(miyuan + i)));
			}
		}
	}
	void SaveBestMiyuan()//记录最优解的函数
	{
    
		for (int i = 0; i < SN; i++)
		{
    
			if (CalculateFitValue(*(miyuan + i)) < CalculateFitValue(bestmiyuan))
			{
    
				for (int j = 0; j < Dimension; j++)
					bestmiyuan.X[j] = (miyuan + i)->X[j];
			}
		}
	}
	void shuchumiyuan()
	{
    
		for (int i = 0; i<SN; i++)
			for (int j = 0; j < Dimension; j++)
			{
    
				if (j == Dimension - 1)std::cout << (miyuan + i)->X[j] << endl;
				else std::cout << (miyuan + i)->X[j] << ", ";
			}
	}
	void ShuchuBestmiyuan()
	{
    
		for (int j = 0; j < Dimension; j++)
		{
    
			if (j == Dimension - 1) std::cout << bestmiyuan.X[j] << ")" << "对应的函数值为：" << CalculateFitValue(bestmiyuan) << endl;
			else if (j == 0) std::cout << "(" << bestmiyuan.X[j] << ",";
			else std::cout << bestmiyuan.X[j] << ",";
		}
	}
	void DoABC(int sn, int dimension, int mcn, int limit)//运行人工蜂群算法的函数
	{
    
		Init(sn, dimension, mcn, limit);//初始化
		shuchumiyuan();
		SaveBestMiyuan();//保存最好蜜源
		for (int k = 0; k < MCN; k++)
		{
    
			EmployedBeeOperate();
			CalculateProbability();
			OnLookerBeeOperate();
			SaveBestMiyuan();
			ScoutBeeOperate();
			SaveBestMiyuan();
			std::cout << "第" << k + 1 << "次迭代的最优解为：";
			ShuchuBestmiyuan();
		}
	}
};
int main()
{
    
	int itetime = 0;
	while (true)
	{
    
		std::cout << "请输入迭代次数：";
		std::cin >> itetime;
		BeeQun bq;
		bq.DoABC(20, 2, itetime, 20);
	}
	system("pause");
	return 0;
}

运行结果：
在这里插入图片描述

本文链接：https://blog.csdn.net/jing_zhong/article/details/109457938

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

什么是内部类？成员内部类、静态内部类、局部内部类和匿名内部类的区别及作用？_成员内部类和局部内部类的区别-程序员宅基地

文章浏览阅读3.4k次，点赞8次，收藏42次。一、什么是内部类？or 内部类的概念内部类是定义在另一个类中的类；下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、为什么需要内部类？or 内部类有什么作用？1、内部类方法可以访问该类定义所在的作用域中的数据，包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、当想要定义一个回调函数且不想编写大量代码时，使用匿名内部类比较便捷。三、内部类的分类成员内部_成员内部类和局部内部类的区别

分布式系统_分布式系统运维工具-程序员宅基地

文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起，当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器，有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具

用Exce分析l数据极简入门_exce l趋势分析数据量-程序员宅基地

文章浏览阅读174次。1.数据源准备2.数据处理step1：数据表处理应用函数：①VLOOKUP函数; ② CONCATENATE函数终表：step2：数据透视表统计分析（1）透视表汇总不同渠道用户数, 金额（2）透视表汇总不同日期购买用户数，金额（3）透视表汇总不同用户购买订单数，金额step3：讲第二步结果可视化, 比如, 柱形图（1）不同渠道用户数, 金额（2）不同日期..._exce l趋势分析数据量

宁盾堡垒机双因素认证方案_horizon宁盾双因素配置-程序员宅基地

文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行，帮助IT运维人员提高工作效率。通俗来说，就是用来控制哪些人可以登录哪些资产（事先防范和事中控制），以及录像记录登录资产后做了什么事情（事后溯源）。由于堡垒机内部保存着企业所有的设备资产和权限关系，是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患：密码设置过于简单，容易被暴力破解；为方便记忆，设置统一的密码，一旦单点被破，极易引发全面危机。在单一的静态密码验证机制下，登录密码是堡垒机安全的唯一_horizon宁盾双因素配置

谷歌浏览器安装（Win、Linux、离线安装）_chrome linux debian离线安装依赖-程序员宅基地

文章浏览阅读7.7k次，点赞4次，收藏16次。Chrome作为一款挺不错的浏览器，其有着诸多的优良特性，并且支持跨平台。其支持（Windows、Linux、Mac OS X、BSD、Android），在绝大多数情况下，其的安装都很简单，但有时会由于网络原因，无法安装，所以在这里总结下Chrome的安装。Windows下的安装：在线安装：离线安装：Linux下的安装：在线安装：离线安装：..._chrome linux debian离线安装依赖

烤仔TVの尚书房 | 逃离北上广？不如押宝越南“北上广”-程序员宅基地

文章浏览阅读153次。中国发达城市榜单每天都在刷新，但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源，上海是“摩登”的国际化大都市，广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...

随便推点

java spark的使用和配置_使用java调用spark注册进去的程序-程序员宅基地

文章浏览阅读3.3k次。前言spark在java使用比较少，多是scala的用法，我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应，只是为了引jar包springboot版本2.3.2.RELEASEmaven <dependency> <gro_使用java调用spark注册进去的程序

汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用_uds协议栈源代码-程序员宅基地

文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用，代码精简高效，大厂出品有量产保证。:139800617636213023darcy169_uds协议栈源代码

AUTOSAR基础篇之OS(下)_autosar 定义了 5 种多核支持类型-程序员宅基地

文章浏览阅读4.6k次，点赞20次，收藏148次。AUTOSAR基础篇之OS(下)前言首先，请问大家几个小小的问题，你清楚：你知道多核OS在什么场景下使用吗？多核系统OS又是如何协同启动或者关闭的呢？AUTOSAR OS存在哪些功能安全等方面的要求呢？多核OS之间的启动关闭与单核相比又存在哪些异同呢？。。。。。。今天，我们来一起探索并回答这些问题。为了便于大家理解，以下是本文的主题大纲：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型

VS报错无法打开自己写的头文件_vs2013打不开自己定义的头文件-程序员宅基地

文章浏览阅读2.2k次，点赞6次，收藏14次。原因：自己写的头文件没有被加入到方案的包含目录中去，无法被检索到，也就无法打开。将自己写的头文件都放入header files。然后在VS界面上，右键方案名，点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件

【Redis】Redis基础命令集详解_redis命令-程序员宅基地

文章浏览阅读3.3w次，点赞80次，收藏342次。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。当数据量很大时，count 的数量的指定可能会不起作用，Redis 会自动调整每次的遍历数目。_redis命令

URP渲染管线简介-程序员宅基地

文章浏览阅读449次，点赞3次，收藏3次。URP的设计目标是在保持高性能的同时，提供更多的渲染功能和自定义选项。与普通项目相比，会多出Presets文件夹，里面包含着一些设置，包括本色，声音，法线，贴图等设置。全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，主光源和附加光源在一次Pass中可以一起着色。URP：全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，一次Pass可以计算多个光源。可编程渲染管线：渲染策略是可以供程序员定制的，可以定制的有：光照计算和光源，深度测试，摄像机光照烘焙，后期处理策略等等。_urp渲染管线