注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）。
注意：此代碼實(shí)現(xiàn)的是求目標(biāo)函數(shù)最大值，求最小值可將適應(yīng)度函數(shù)乘以-1（框架代碼已實(shí)現(xiàn)）。
1.代碼實(shí)現(xiàn)
不了解哈里斯鷹算法可以先看看優(yōu)化算法筆記（三十六）哈里斯鷹算法
實(shí)現(xiàn)代碼前需要先完成優(yōu)化算法matlab實(shí)現(xiàn)（二）框架編寫(xiě)中的框架的編寫(xiě)。
| 文件 | 名描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 個(gè)體 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主體 |
以及優(yōu)化算法matlab實(shí)現(xiàn)（四）測(cè)試粒子群算法中的測(cè)試函數(shù)、函數(shù)圖像的編寫(xiě)。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 測(cè)試函數(shù)，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函數(shù)圖像，畫(huà)圖用 |
哈里斯鷹算法的個(gè)體沒(méi)有獨(dú)有屬性。
哈里斯鷹算法個(gè)體
文件名：.. \optimization algorithm\algorithm_harris_hawks\HHO_Unit.m
% 哈里斯鷹算法個(gè)體
classdef HHO_Unit < Unit
properties
end
methods
function self = HHO_Unit()
end
end
end
哈里斯鷹算法算法主體
文件名：..\optimization algorithm\algorithm_harris_hawks\HHO_Base.m
% 天鷹算法
classdef HHO_Base < Algorithm_Impl
properties
% 算法名稱(chēng)
name = 'HHO';
end
% 外部可調(diào)用的方法
methods
function self = HHO_Base(dim,size,iter_max,range_min_list,range_max_list)
% 調(diào)用父類(lèi)構(gòu)造函數(shù)
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.name ='HHO';
end
end
% 繼承重寫(xiě)父類(lèi)的方法
methods (Access = protected)
% 初始化種群
function init(self)
init@Algorithm_Impl(self)
%初始化種群
for i = 1:self.size
unit = HHO_Unit();
% 隨機(jī)初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 計(jì)算適應(yīng)度值
unit.value = self.cal_fitfunction(unit.position);
% 將個(gè)體加入群體數(shù)組
self.unit_list = [self.unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
E1 = 2*(1-iter/self.iter_max);
% 獲取群體平均數(shù)據(jù)
pos_mean = self.get_mean_pos();
% 遍歷每一個(gè)個(gè)體
for i = 1:self.size
escaping_energy = unifrnd(-1, 1)*E1;
if abs(escaping_energy) > 1
q = rand;
% 原文公式（1）
if q<=0.5
r_id = randperm(self.size,1);
new_pos = self.unit_list(r_id).position-rand*abs(self.unit_list(r_id).position-2*rand*self.unit_list(i).position);
else
new_pos = (self.position_best-self.unit_list(i).position)-rand*unifrnd(self.range_min_list,self.range_max_list);
end
% 直接接受該位置
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(i).position = new_pos;
self.unit_list(i).value =new_value;
else
r = rand;
if r>=0.5
if abs(escaping_energy)<0.5
% 原文公式（6）
new_pos = self.position_best-escaping_energy*abs(self.position_best-self.unit_list(i).position);
else
% 原文公式（4）
jump_strength = unifrnd(0, 2,1,self.dim);
new_pos = (self.position_best-self.unit_list(i).position);%-escaping_energy*abs(jump_strength.*self.position_best-self.unit_list(i).position);
end
% 直接接受該位置
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(i).position = new_pos;
self.unit_list(i).value =new_value;
else
jump_strength = unifrnd(0, 2,1,self.dim);
if abs(escaping_energy)<0.5
% 原文公式（7）
new_pos=self.position_best-escaping_energy*abs(jump_strength.*self.position_best-self.unit_list(i).position);
else
% 原文公式（12）
new_pos=self.position_best-escaping_energy*abs(jump_strength.*self.position_best-pos_mean);
end
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
if new_value > self.unit_list(i).value
% 貪心一下
self.unit_list(i).position = new_pos;
self.unit_list(i).value =new_value;
else
% 如果結(jié)果較差則levy一下
new_pos = new_pos + rand*Levy(self.dim);
new_pos = self.get_out_bound_value(new_pos);
new_value = self.cal_fitfunction(new_pos);
self.unit_list(i).position = new_pos;
self.unit_list(i).value =new_value;
end
end
end
end
end
% 獲取種群平均位置
function pos_mean = get_mean_pos(self)
pos_mean = zeros(1,self.dim);
for i=1:self.size
pos_mean = pos_mean + self.unit_list(i).position/self.size;
end
end
% 獲取當(dāng)前最優(yōu)個(gè)體的id
function best_id=get_best_id(self)
% 求最大值則降序排列
[value,index] = sort([self.unit_list.value],'descend');
best_id = index(1);
end
end
end
function o=Levy(d)
beta=1.5;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
u=randn(1,d)*sigma;v=randn(1,d);step=u./abs(v).^(1/beta);
o=step;
end
文件名：..\optimization algorithm\algorithm_harris_hawks\HHO_Impl.m
算法實(shí)現(xiàn)，繼承于Base,圖方便也可不寫(xiě)，直接用HHO_Base，這里為了命名一致。
% 哈里斯鷹算法實(shí)現(xiàn)
classdef HHO_Impl < HHO_Base
% 外部可調(diào)用的方法
methods
function self = HHO_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 調(diào)用父類(lèi)構(gòu)造函數(shù)設(shè)置參數(shù)
self@HHO_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2.測(cè)試
測(cè)試F1
文件名：..\optimization algorithm\algorithm_harris_hawks\Test.m
%% 清理之前的數(shù)據(jù)
% 清除所有數(shù)據(jù)
clear all;
close all;
% 清除窗口輸出
clc;
%% 添加目錄
% 將上級(jí)目錄中的frame文件夾加入路徑
addpath('../frame')
%% 選擇測(cè)試函數(shù)
Function_name='F1';
%[最小值，最大值，維度，測(cè)試函數(shù)]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法實(shí)例
% 種群數(shù)量
size = 50;
% 最大迭代次數(shù)
iter_max = 1000;
% 取值范圍上界
range_max_list = ones(1,dim).*ub;
% 取值范圍下界
range_min_list = ones(1,dim).*lb;
% 實(shí)例化哈里斯鷹鷹算法類(lèi)
base = HHO_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 確定適應(yīng)度函數(shù)
base.fitfunction = fobj;
% 運(yùn)行
base.run();
disp(base.cal_fit_num);
%% 繪制圖像
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
% 繪制曲線，由于算法是求最大值，適應(yīng)度函數(shù)為求最小值，故乘了-1，此時(shí)去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標(biāo)軸調(diào)整為緊湊型
axis tight
% 添加網(wǎng)格
grid on
% 四邊都顯示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);
