الگوریتم بهینه سازی قورباغه در متلب

در این پست کد الگوریتم بهینه سازی قورباغه در متلب (کد الگوریتم SFLA در متلب) قرار داده شده است. الگوریتم بهینه سازی جهش قورباغه یا Shuffled Frog Leaping Algorithm  (به اختصار SFLA)، یکی از الگوریتم‌های بهینه سازی فرا ابتکاری است که از رفتار اجتماعی قورباغه‌ها در طبیعت الهام گرفته شده است، و از نظر دسته بندی، در میان الگوریتم‌های رفتاری یا الگوریتم‌های ممتیک (Memetic Algorithms) قرار می‌گیرد.

از نام‌های دیگر الگوریتم بهینه سازی جهش قورباغه، می‌توان به الگوریتم قورباغه و الگوریتم جهش قورباغه و الگوریتم SFLA اشاره نمود. این الگوریتم در ابتدا توسط Eusuff و Lansey در سال 2003 مطرح شد هر چند مقالات زیادی پس از برای بهبود این الگوریتم ارائه شده است.

الگوریتم SFLA چیست؟

الگوریتم SFLA یک الگوریتم مبتنی بر ممتیک متاهيوريستیک است. الگوریتم ممتیک، یک الگوریتم مبتنی بر جمعیت است که برای مسائل بهینه سازی پیچیده و بزرگ مورداستفاده قرار می‌گیرد. ایده اصلی این الگوریتم، به کارگیری یک روش جستجوی محلی در درون ساختار الگوریتم ژنتیک برای بهبود کار آبی فرآیند تشدید هنگام جستجو است.

الگوریتم ممتیک در ابتدا مجموع جواب‌های اولیه را رمزگذاری می‌کند، آنگاه ابن الگوریتم میزان مطلوبیت هریک از جواب‌ها را بر اساس یک تابع برازندگی را محاسبه کرده و جواب‌های جدیدی را تولید می‌کند.

الگوریتم SFLA از نحوه جستجوی غذای گروه قورباغه‌ها الهام می‌گیرد. این الگوریتم برای جستجوی محلی میان زیر گروه قورباغه‌ها از روش نموممتیک استفاده می‌کند. الگوريتم جهش ترکیبی قورباغه از استراتژی ترکیب استفاده می‌کند و امکان مبادله پیام در جستجوی محلی را فراهم می‌سازد. این الگوریتم مزایای الگوریتم نموممتیک و بهینه سازی گروه ذرات را ترکیب می‌کند. در الگوریتم جهش ترکیبی قورباغه نه تنها در جستجوی محلی بلکه در جستجوی سراسری نیز پیامها مبادله می‌شوند.

بدین ترتیب جستجوی محلی و سراسری به خوبی در این الگوریتم ترکیب می‌شوند. الگوریتم جهش ترکیبی قورباغه قابلیت بالایی برای جستجوی سراسری دارد و پیاده سازی آن آسان است. الگوريتم جهش ترکیبی قورباغه می‌تواند بسیاری از مسائل غیر خطی، غیرقابل تشخیص و چند حالته را حل کند.

کد الگوریتم بهینه سازی قورباغه در متلب

سورس کد الگوریتم قورباغه در متلب شامل توابعی است که اسکریپت main در واقع کد اصلی برنامه می‌باشد و بقیه فراخوانی‌ها از آنجا انجام می‌شود. همچنین این برنامه داری 7 تابع تست می‌باشد که در زیر مشاهده می‌کنید.

• تابع  SPHERE
• تابع ACKLEY
• تابع SUM SQUARES
•  تابع ROSENBROCK
• تابع SUM OF DIFFERENT POWERS
• تابع ZAKHAROV
• تابع Rastrigin

توابع تست برای ارزیابی الگوریتم‌های بهینه سازی بکار می‌روند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتم‌های بهینه سازی مقاله ای آماده کردیم. توابع زیادی برای تست عملکرد الگوریتم‌های بهینه سازی وجود دارد که در اینجا ما به این 7 تابع اکتفا کرده‌ایم و همچنین لازم به ذکر است که برای اجرای الگوریتم بهینه سازی روی مسئله مورد نظر تابع هزینه یا Cost Function آن تغییر خواهد کرد و بقیه الگوریتم دست نخورده باقی می‌ماند بنابراین برای اجرای الگوریتم SFLA در متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید.

قسمتی از سورس کد الگوریتم SFLA در متلب

%% SFLA Main Loop

for it = 1:MaxIt
    
    fla_params.BestSol = BestSol;

    % Initialize Memeplexes Array
    Memeplex = cell(nMemeplex, 1);
    
    % Form Memeplexes and Run FLA
    for j = 1:nMemeplex
        % Memeplex Formation
        Memeplex{j} = pop(I(j,:));
        
        % Run FLA
        Memeplex{j} = RunFLA(Memeplex{j}, fla_params);
        
        % Insert Updated Memeplex into Population
        pop(I(j,:)) = Memeplex{j};
    end
    
    % Sort Population
    pop = SortPopulation(pop);
    
    % Update Best Solution Ever Found
    BestSol = pop(1);
    
    % Store Best Cost Ever Found
    BestCosts(it) = BestSol.Cost;
    
    % Show Iteration Information
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCosts(it))]);
    
end

برای دانلود سورس کامل محصول را خریداری فرمایید.

تصویر خروجی محصول

درباره محصول

سورس کد الگوریتم بهینه سازی قورباغه در متلب در محیط Matlab 2017b نوشته و اجرا شده است این سورس کد توسط تیم پشتیبانی پی استور تست و اجرا شده است. کیفیت اثر توسط پی استور تضمین می‌شود و  دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر مذکور آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.