JADE_JADE算法

function optValue=JADE_demo(ma,mi,gen,type) % addpath('../CauchyFunction'); %柯西分布的相关函数文件夹(CauchyFunction)是网上下载 %%初始化 Pmax=ma;%搜索上界 Pmin=mi;%搜索下界 NP=100;%种群规模 Dim=30;%个体维数 G=0;%设置迭代器（当前迭代代数） uCR=0.5;%初始化交叉概率 uF=0.5;%初始化缩放因子 p0=0.05; top=p0*NP;%每代中最优的top个 A=[];%初始归档种群为空集 t=1;%记录归档种群A中的个体个数 Gmax=gen;%最大迭代次数 index=type;%测试函数类型 % index=input('Input the index of TestFunction:'); P=(Pmax-Pmin)*rand(NP,Dim)+Pmin;%随机产生初始种群个体 %%总体大循环 while G<Gmax Scr=[];%初始成功参加变异的个体的交叉概率为空集 Sf=[];%初始成功参加变异的个体的缩放因子为空集 n1=1;%记录Scr中的元素个数 n2=1;%记录Sf中的元素个数 for i=1:NP fitnessP(i)=TestFunction(index,P(i,:));%计算种群个体适应值，TestFunction 是benchmark中的13类标准测试函数组成的函数文件 %对第G代的每个个体计算交叉概率和缩放因子 % CR(i)=normrnd(uCR,0.1);%服从正态分布 % F(i)=cauchyrnd(uF,0.1);%服从柯西分布 CR(i)=0.5; F(i)=0.5; while (CR(i)>1||CR(i)<0) CR(i)=normrnd(uCR,0.1); end if (F(i)>1) F(i)=1; end while (F(i)<=0) F(i)=cauchyrnd(uF,0.1); end end %寻找种群中前top个优秀个体，可以用到其他代码中 [fitnessBestP,indexBestP]=min(fitnessP); %%临时定义的，min函数的使用方法就是这样的 bestP=P(indexBestP,:); %根据个体适应值进行排序，得到最好的前top个个体 直接写sort(XXX)对列向量排序默认是升序排序 [~,indexSortP]=sort(fitnessP); for i=1:top % top每代中最优的top个体 bestTopP(i,:)=P(indexSortP(i),:); end %%变异操作 for i=1:NP %从top个个体中随机选出一个作为Xpbest k0=randperm(top,1); Xpbest=bestTopP(k0,:); %从当前种群P中随机选出P1 k1=randi(NP); P1=P(k1,:); while (k1==i||k1==k0) k1=randi(NP); P1=P(k1,:); end %从P∪A中随机选出P2，这里也需要修改 PandA=[P;A]; [num,~]=size(PandA); k2=randi(num); P2=PandA(k2,:); while (k2==i||k2==k0||k2==k1) k2=randi(num); P2=PandA(k2,:); end V(i,:)=P(i,:)+F(i).*(Xpbest-P(i,:))+F(i).*(P1-P2); end %%交叉操作 for i=1:NP jrand=randi([1,Dim]); for j=1:Dim k3=rand; if(k3<=CR(i)||j==jrand) U(i,j)=V(i,j); else U(i,j)=P(i,j); end end end %%边界处理 for i=1:NP for j=1:Dim while (U(i,j)>Pmax||U(i,j)<Pmin) U(i,j)=(Pmax-Pmin)*rand+Pmin; end end end %%选择操作 for i=1:NP fitnessU(i)=TestFunction(index,U(i,:)); if(fitnessU(i)<fitnessP(i)) A(t,:)=P(i,:); P(i,:)=U(i,:); fitnessP(i)=fitnessU(i); Scr(n1)=CR(i); Sf(n2)=F(i); t=t+1; n1=n1+1; n2=n2+1; if(fitnessU(i)<fitnessBestP) fitnessBestP=fitnessU(i); bestP=U(i,:); end end end %判断归档种群A的规模是否在NP之内，若大于，则随机移除个体使其规模保持NP [tA,~]=size(A); % ~，]是什么意思，不需要的变量不输出 if tA>NP nRem=tA-NP; k4=randperm(tA,nRem); A(k4,:)=[]; [tA,~]=size(A); t=tA+1; end %自适应参数，更新uCR和uF c=0.1; [~,ab]=size(Scr); if ab~=0 newSf=(sum(Sf.^2))/(sum(Sf)); uCR=(1-c)*uCR+c.*mean(Scr); uF=(1-c)*uF+c.*newSf; end G=G+1; bestfitnessG(G)=fitnessBestP; end optValue=fitnessBestP; %%画图 %plot(bestfitnessG); % optValue=num2str(fitnessBestP); % Location=num2str(bestP); % disp(strcat('the optimal value','=',optValue)); % disp(strcat('the best location','=',Location)); %测试函数 % function y=testFun(x) % y=0; % for i=2:length(x) % y=y+100*(x(i)-x(i-1)^2)^2+(x(i-1)-1)^2; % end % end end