الگوریتم جستجوی کلاغ بهبود یافته ICSA در متلب

در این بخش سورس کد الگوریتم جستجوی کلاغ بهبود یافته ICSA در متلب قرار داده شده است. این سورس کد بر اساس مقاله ای تحت عنوان An improved Crow Search Algorithm for high-dimensional problems نوشته شده است. الگوریتم جستجوی کلاغ CSA یک بهینه ساز فرا ابتکاری مبتنی بر رفتار هوشمندانه کلاغ ها است. این الگوریتم با الهام از رفتار هوشمندانه کلاغ ها با ویژگی هایی مانند سادگی و سهولت اجرا معرفی شده است. الگوریتم CSA در بهینه سازی انواع مسائل محدود مهندسی در مقایسه با الگوریتم های پیشرفته دیگر در این حوزه، برتر و موثرتر است.

الگوریتم CSA برای حل مسائل بهینه سازی با ابعاد بالا از همگرایی زودرس رنج می برد که منجر به دقت پایین تر و دقت کمتری در بهینه سازی یا گاهی خرابی می شود. بنابراین الگوریتم جستجوی کلاغ بهبود یافته ICSA برای حل مسائل بهینه سازی سراسری با ابعاد بالا پیشنهاد شده است. تعادل بین قابلیت های بهره برداری و اکتشاف CSA با معرفی عامل تجربه ، اپراتور تنظیم تطبیقی ​​و توزیع پرواز در مکانیزم به روزرسانی موقعیت کلاغ ها بهبود می یابد. برای دانلود مقاله اصلی روی لینک زیر کلیک فرمایید.

الگوریتم کلاغ بهبود یافته ICSA در متلب

سورس کد الگوریتم کلاغ بهبود یافته ICSA در متلب شامل چهار فایل m. می باشد که سورس کد سه الگوریتم CSA استاندارد، PSO و نسخه بهبود یافته CSA با نام ICSA را شامل می شود در ادامه قسمت هایی از این سورس کد در متلب نمایش داده شده است.

clc;
clear;
% close all;

%% Problem Definition
[email protected](z) Sphere(z);        % Cost Function

nVar = 100;             % Number of Decision Variables

VarSize =[1 nVar];   % Size of Decision Variables Matrix

VarMin = -100;         % Lower Bound of Variables
VarMax = 100;         % Upper Bound of Variables


%% CSA Parameters

MaxIt=1000;      % Maximum Number of Iterations

nPop=200;        % Population Size (Flock Size)

% Constriction Coefficients
AP = 0.1; % Awareness probability
fl = 2;   % Flight length (fl)

%% ISCA parameters (Change)
ef = 0.5;     % Experience Factor(ef) (change)
alpha1 = 0.5; % Adjustment coefficient (change)
Beta = 1.5;   % used in Levy flight

%% Initialization

empty_CSAs.Position=[];
empty_CSAs.Cost=[];

empty_CSAs.Memory.Position=[];
empty_CSAs.Memory.Cost=[];

CSAs=repmat(empty_CSAs,nPop,1);

BestSol.Cost=inf;

for i=1:nPop
    
    % Initialize Position
    CSAs(i).Position=unifrnd(VarMin,VarMax,VarSize);
    
    % Evaluation
    CSAs(i).Cost = CostFunction(CSAs(i).Position);
    
    % Update Personal Memory
    CSAs(i).Memory = CSAs(i);
    
    % Update Best Solution
    if CSAs(i).Memory.Cost<BestSol.Cost
        BestSol=CSAs(i).Memory;
    end
    
end

BestCost=zeros(MaxIt,1);
nfe=zeros(MaxIt,1);

NFE = 0;

درباره الگوریتم جستجوی کلاغ بهبود یافته ICSA

سورس کد الگوریتم جستجوی کلاغ بهبود یافته ICSA در متلب محصولی است که در این پست به آن پرداخته شده است. در این سورس کد به پیاده سازی الگوریتم ICSA در متلب پرداخته شده که مقاله این الگوریتم را می توانید در قسمت بالای همین مطلب دانلود کنید. این سورس کد بصورت کامل توسط گروه پشتیبانی پی استور تست و بازبینی شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.