生物地理学优化BBO的matlab实现

生物地理学优化算法（BBO）是一种进化算法和元启发式方法，其灵感来自生物地理概念：物种形成（新物种的进化），岛屿之间的物种迁移以及物种的灭绝。该算法最初由Dan Simon在2008年提出。在本文中，我们将与您分享MATLAB中基于生物地理的优化（BBO）的结构开源实现。

clc;
clear;
close all;

%% Problem Definition

CostFunction=@（x） Sphere（x）;        % Cost Function

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（10nPop）;          % 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（habitatnPop1）;

% Initialize Habitats
for i=1:nPop
    pop（i）.Position=unifrnd（VarMinVarMaxVarSize）;
    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（MaxIt1）;

%% BBO Main Loop

for it=1:MaxIt
    
    newpop=pop;
    for i=1:nPop
        for k=1:nVar
            % Migration
            if rand<=lambda（i）
                % Emmigration Probabilities
                EP=mu;
                EP（i）=0;
                EP=EP/sum（EP）;
                
                % Select Source Habitat
                j=RouletteWheelSelection（EP）;
                
                % Migration
                newpop（i）.Position（k）=pop（i）.Position（k） ...
                    +alpha*（pop（j）.Position（k）-pop（i）.Position（k））;
                
            end
            
            % Mutation
            if rand<=pMutation
                newpop（i）.Position（k）=newpop（i）.Position（k）+sigma*randn;
            end
        end
        
        % Apply Lower and Upper Bound Limits
        newpop（i）.Position = max（newpop（i）.Position VarMin）;
        newpop（i）.Position = min（newpop（i）.Position VarMax）;
        
        % Evaluation
        newpop（i）.Cost=CostFunction（newpop（i）.Position）;
    end
    
    % Sort New Population
    [~ SortOrder]=sort（[newpop.Cost]）;
    newpop=newpop（SortOrder）;
    
    % Select Next Iteration Population
    pop=[pop（1:nKeep）
         newpop（1:nNew）];
     
    % Sort Population
    [~ SortOrder]=sort（[pop.Cost]）;
    pop=pop（SortOrder）;
    
    % Update Best Solution Ever Found
    BestSol=pop（1）;
    
    % Store Best Cost Ever Found
    BestCost（it）=BestSol.Cost;
    
    % Show Iteration Information
    disp（[‘Iteration ‘ num2str（it） ‘: Best Cost = ‘ num2str（BestCost（it））]）;
    
end

%% Results

figure;
%plot（BestCost‘LineWidth‘2）;
semilogy（BestCost‘LineWidth‘2）;
xlabel（‘

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3050  2019-12-24 19:52  生物地理学优化BBO\bbo.m

     文件         10  2019-12-24 19:52  生物地理学优化BBO\main.m

     文件        109  2019-12-24 19:52  生物地理学优化BBO\RouletteWheelSelection.m

     文件         51  2019-12-24 19:53  生物地理学优化BBO\Sphere.m

     目录          0  2019-12-24 19:51  生物地理学优化BBO

----------- ---------  ---------- -----  ----

                 3220                    5