粒子群改进蝙蝠算法的自适应权重算法

用粒子群算法改进蝙蝠算法,引入自适应权重,具有很好的收敛速度和收敛精度

% Usage: bat_algorithm（[20 0.25 0.5]）;                     %

function [bestfminN_iter]=Abat_algorithm（para）
% Display help
 help bat_algorithm.m

% Default parameters
if nargin<1  para=[10 0.25 0.5 0.8 0.6]; end
n=para（1）;      % Population size typically 10 to 25
A=para（2）;      % Loudness  （constant or decreasing）
r=para（3）; 
wmax=para（4）;
wmin=para（5）;
% Pulse rate （constant or decreasing）
% This frequency range determines the scalings
Qmin=0;         % Frequency minimum
Qmax=2;         % Frequency maximum
% Iteration parameters
tol=10^（-5）;    % Stop tolerance
N_iter=0;       % Total number of function evaluations
% Dimension of the search variables
d=5;
% Initial arrays
Q=zeros（n1）;   % Frequency
v=zeros（nd）;   % Velocities
% Initialize the population/solutions
for i=1:n
  Sol（i:）=randn（1d）;
  Fitness（i）=Fun（Sol（i:））;
end
% Find the current best
[fminI]=min（Fitness）;
best=Sol（I:）;


% ======================================================  %
% Note: As this is a demo here we did not implement the  %
% reduction of loudness and increase of emission rates.   %
% Interested readers can do some parametric studies       %
% and also implementation various changes of A and r etc  %
% ======================================================  %

% Start the iterations -- Bat Algorithm
while （fmin>tol）
     for i=1;n
        fv（i）= Fitness（i）;
                end
        favg=sum（fv）/n;
        for i=1;n
            if fv（i）<=favg
                w=wmin+（fv（i）-fmin）*（wmax-wmin）/（favg-fmin）;
            else
                w=wmax;
            end
          Q（i）=Qmin+（Qmin-Qmax）*rand;
          v（i:）=w*v（i:）+（Sol（i:）-best）*Q（i）;
          S（i:）=Sol（i:）+v（i:）;
          % Pulse rate
          if rand>r
              S（i:）=best+0.01*randn（1d）;
          end

     % Evaluate new solutions
           Fnew=Fun（S（i:））;
     % If the solution improves or not too loudness
           if （Fnew<=Fitness（i）） & （rand                Sol（i:）=S（i:）;
                Fitness（i）=Fnew;
           end
          % Update the current best
          if Fnew<=fmin
                best=S（i:）;
                fmin=Fnew;
          end
     end
          N_iter=N_iter+n;
end
plot（Fitness） 
% Output/display
disp（[‘Number of evaluations: ‘num2str（N_iter）]）;
disp（[‘ fmin=‘num2str（fmin）]）;
disp（[‘Best =‘num2str（best）]）;


function z=Fun（u）
z=（1-u（1））^2+100*（u（2）-u（1）^2）^2+（1-u（3））^2+（u（4）-2）^2+（u（5）-0.4）^2;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2533  2018-05-21 18:52  Abat_algorithm.m