改进鸟群算法源码（1）.rar

鸟群算法源代码，可以直接下载使用，里面包含了基本的算法测试函数和应用框架，在研究生期间研究算法的同学可以尝试下载。

% ------------------------------------------------------------------------
% Bird Swarm Algorithm （BSA） （demo）
% Programmed by Xian-Bing Meng
% Updated at Jun 19 2015.    
% Email: x.b.meng12@gmail.com
%
% This is a simple demo version only implemented the basic idea of BSA for        
% solving the unconstrained problem namely Sphere function.  
%
% The details about BSA are illustratred in the following paper.    
% Xian-Bing Meng et al （2015）: A new bio-inspXred optimisation algorithm: 
% Bird Swarm Algorithm Journal of Experimental & Theoretical
% Artificial Intelligence DOI: 10.1080/0952813X.2015.1042530
%
% The parameters in BSA are presented as follows.
% FitFunc    % The objective function
% M          % Maxmimal generations （iterations）
% pop        % Population size
% dim        % Number of dimensions 
% FQ         % The frequency of birds‘ flight behaviours 
% c1         % cognitive accelerated coefficient
% c2         % social accelerated coefficient
% a1 a2     %two paramters which are related to the indirect and direct 
%             effect on the birds‘ vigilance bahaviors.
%
% Using the default value BSA can be executed using the following code.
% [ bestX fMin ] = BSA
% ------------------------------------------------------------------------
 
% Main programs

function b = BSA % function [ bestX fMin ] = BSA（ FitFunc M pop dim FQ c1 c2 a1 a2 ）
% Display help
%  help BSA.m
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% set the default parameters

% if nargin < 1
%   FitFunc = @Sphere; %函数句柄
    M = 1000;   
    pop = 30;  
%     dim = 20;
    dim = 4; 
    FQ = 10;   
    c1 = 1.5;
    c2 = 1.5;
    a1 = 1;
    a2 = 1;
% end

% set the parameters
lb= -100*ones（ 1dim ）;   % Lower bounds
ub= 100*ones（ 1dim ）;    % Upper bounds
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Initialization

for i = 1 : pop
    x（ i : ） = lb + （ub - lb） .* rand（ 1 dim ）; %i个体 x位置   i行20列
%     y（ i : ） = lb + （ub - lb） .* rand（ 1 dim ）;
    fit（ i ） = f（ x（ i : ））; %i 个体适应度值
%     fit（ i ） = f（ x（ i : ）y（ i : ））;
end
% 初始种群适应度值  个体
pFit = fit; % The individual‘s best fitness value 个体以往最优适应度值
pX = x;     % The individual‘s best position corresponding to the pFit 
% pY = y;                 % 个体以往最优适应度值对应的位置x
% 全局
[ fMin bestIndex ] = min（ pFit ）;
% [ fMin bestIndex ] = min（ fit ）;  % fMin denotes the global optimum（全局最优解）
                                   % 选出最小的适应度值（全局最优解） 返回最小的适应度函数值和最优位置指标
bestX = pX（ bestIndex : ）; 
% bestY = pY（ bestIndex : ）; 
% bestX = x（ bestIndex : ）;   % bestX denotes the position corresponding to fMin
                             % 全局最小适应度值对应的位置x
I = 1;
b（1） = fMin;                             
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Start the iteration.

% for I = 1 : M  %iteration 改为 I
while I <= M-1
    prob = rand（

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

     文件      11002  2017-11-26 11:08  改进鸟群算法源码\BSA.m

     文件       9508  2017-10-30 20:06  改进鸟群算法源码\CSO.m

     文件       9337  2017-11-26 11:15  改进鸟群算法源码\f.m

     文件       1093  2017-11-26 11:08  改进鸟群算法源码\PSO.m

     文件       1465  2017-11-26 11:02  改进鸟群算法源码\runtest.m

     文件      11970  2017-11-26 11:08  改进鸟群算法源码\UBSA.m

     目录          0  2018-01-28 20:59  改进鸟群算法源码

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

                44375                    7