技术标签: 算法 c++ C++ 实践经验 visual studio
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 SN SN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 i j = x m i n , j + r a n d ( 0 , 1 ) ( x m a x , j − x m i n , j ) x_{ij}=x_{min,j}+rand(0,1)(x_{max,j}-x_{min,j)} xij=xmin,j+rand(0,1)(xmax,j−xmin,j)其中, x i x_i xi(i=1,2,…,SN)表示 D D D维向量, D D D表示优化参数的个数; j ∈ 1 , 2 , . . . , D j∈{1,2,...,D} 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 i j = x i j + φ i j ( x i j − x k j ) v_{ij}=x_{ij}+φ_{ij}(x_{ij}-x_{kj}) vij=xij+φij(xij−xkj)其中, j ∈ 1 , 2 , . . . , D j∈{1,2,...,D} j∈1,2,...,D, k ∈ 1 , 2 , . . . , S N k∈{1,2,...,SN} k∈1,2,...,SN, k k k表示随机生成且 k ≠ i k≠i k=i; φ φ φ表示[-1,1]的随机数。
(3)观察蜂选择蜜源的概率为 P i = f i t ( x i ) ∑ n = 1 S N f i t ( x n ) P_i=\frac{fit(x_i)}{\sum_{n=1}^{SN}fit(x_n)} Pi=∑n=1SNfit(xn)fit(xi)其中, f i t ( x i ) fit(x_i) fit(xi)表示第 i i 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: f i t ( x i ) = { 1 1 + f i , f i > 0 1 + a b s ( f i ) f i < 0 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} fit(xi)=⎩⎨⎧1+fi1,1+abs(fi)fi>0fi<0其中, f i f_i fi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 limit limit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。
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 , . . . , S N x_i,i=1,...,SN xi,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 v_i vi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 x_i xi的概率 P i P_i Pi
步骤8:跟随蜂根据概率 P i P_i Pi选择蜜源 x i x_i xi,根据第二个式子在该蜜源附近产生新的蜜源 v i v_i vi,并计算新蜜源 v i v_i vi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。
m i n f ( x 1 , x 2 ) = 0.5 + s i n 2 x 1 2 + x 2 2 − 0.5 ( 1 + 0.001 ( x 1 2 + x 2 2 ) ) 2 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} minf(x1,x2)=0.5+(1+0.001(x12+x22))2sin2x12+x22−0.5
其中, − 100 ≤ x 1 , x 2 ≤ 100 ( i = 1 , 2 , . . . , 30 ) -100≤x_1,x_2≤100 (i=1,2,...,30) −100≤x1,x2≤100(i=1,2,...,30)
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);
人工蜂群算法中输入参数:
蜜源数量 S N = 20 SN = 20 SN=20
解向量的维数 D i m e n s i o n = 2 Dimension=2 Dimension=2
最大循环次数 M C N = 10000 MCN=10000 MCN=10000
蜜源没改进的最大次数 l i m i t = 20 limit=20 limit=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:
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数