الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی در متلب

در این پست سورس کد الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی یا Biogeography Based Optimization به اختصار BBO در متلب قرار داده شده است. الگوریتم BBO یک الگوریتم مبتنی بر جمعیت است و جزو الگوریتم های بهینه سازی و فرا ابتکاری که از چگونگی انتشار گونه‌های جانداران در زیست گاه‌های متعدد الهام گرفته شده است.

با ارائه مدلی احتمالی برای چگونگی مهاجرت گونه‌های مختلف در زیستگاه‌ها، مدل ریاضی استخراج شده است که نهایتا منجر به ایجاد مدل بهینه سازی جدیدی می‌شود که در الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی استفاده شده است. در ادامه توضیحاتی درباره الگوریتم داده می‌شود.

الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی

الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی یا همان الگوریتم BBO در سال ۲۰۰۸ توسط Dan Simon در ژورنال IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 12, NO. 6, DECEMBER 2008 مطرح شد. در این الگوریتم، از چگونگی انتشار گونه‌های جانداران در زیستگاه‌های متعدد الهام گرفته شده است.

با ارائه مدلی احتمالی برای چگونگی مهاجرت گونه در زیستگاه‌ها، مدل ریاضی استخراج شده است که نهایتاً منجر به ایجاد مدل بهینه سازی جدیدی شده است که در BBO استفاده شده است.

الگوریتم جغرافیای زیستی یک روش تکاملی مبتنی بر جمعیت یا population based می‌باشد که از پدیده مهاجرت حیوانات و پرندگان بین مکان‌های مختلف الهام گرفته شده است. در حقیقت، جغرافیای زیستی مطالعه نحوه توزیع جغرافیایی گونه‌های مختلف جانوری می‌باشد. در این روش جزایری که مکان مناسبی برای زیست باشند دارای شایستگی بالا برای اسکان هستند که از ویژگی‌های بارندگی، تنوع گیاهی، خاک منطقه، دما و … تبعیت می‌کنند.

در این روش هر زیستگاه دارای نرخ مهاجرت به داخل و نرخ مهاجرت به خارج متفاوت می‌باشند که فرایند جستجو برای جواب بهینه را کنترل می‌کنند.

کد الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی در متلب

سورس کد الگوریتم BBO 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 ۷ 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 الگوریتم های بهینه سازی بکار می‌روند که در این سایت برای توضیحات بیشتر در مورد توابع تست الگوریتم های بهینه سازی مقاله‌ای آماده کردیم. توابع زیادی برای تست عملکرد الگوریتم های بهینه سازی وجود دارد که در اینجا ما به این ۷ 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 BBO در متلب برای بهینه سازی مسئله خودتان تابع هزینه خود را بر اساس پارامترهای مسئله خود تعریف کنید.

قسمتی از سورس کد الگوریتم BBO در متلب

clc;
clear;
close all;

%% Problem Definition

CostFunction = @(x) Sphere(x);
%CostFunction = @(x) Ackley(x);
%CostFunction = @(x) Sum_Of_Different(x);
%CostFunction = @(x) Sum_Squares(x);
%CostFunction = @(x) Zakharov(x);
%CostFunction = @(x) Rosenbrock(x);

nVar=5;             % Number of Decision Variables

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

VarMin=-10;         % Decision Variables Lower Bound
VarMax= 10;         % Decision Variables Upper Bound

%% BBO Parameters

MaxIt=1000;          % Maximum Number of Iterations

nPop=50;            % Number of Habitats (Population Size)

KeepRate=0.2;                   % Keep Rate
nKeep=round(KeepRate*nPop);     % Number of Kept Habitats

nNew=nPop-nKeep;                % Number of New Habitats

% Migration Rates
mu=linspace(1,0,nPop);          % Emmigration Rates
lambda=1-mu;                    % Immigration Rates

alpha=0.9;

pMutation=0.1;

sigma=0.02*(VarMax-VarMin);

%% Initialization

% Empty Habitat
habitat.Position=[];
habitat.Cost=[];

% Create Habitats Array
pop=repmat(habitat,nPop,1);

% Initialize Habitats
for i=1:nPop
    pop(i).Position=unifrnd(VarMin,VarMax,VarSize);
    pop(i).Cost=CostFunction(pop(i).Position);
end

% Sort Population
[~, SortOrder]=sort([pop.Cost]);
pop=pop(SortOrder);

% Best Solution Ever Found
BestSol=pop(1);

% Array to Hold Best Costs
BestCost=zeros(MaxIt,1);

برای دانلود سورس کامل اثر را خریداری فرمایید.

تصویر خروجی محصول

درباره محصول

سورس کد الگوریتم بهینه سازی Biogeography Based Optimization به اختصار BBO در محیط Matlab 2017b نوشته و اجرا شده است این سورس کد توسط تیم پشتیبانی پی استور تست و اجرا شده است. کیفیت محصول توسط پی استور تضمین می شود و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری فرمایید به محض خرید لینک دانلود در دسترس خواهد بود.