【优化算法】冠状病毒群体免疫优化算法（CHIO）【含Matlab源码 186期】
【摘要】
一、获取代码方式
获取代码方式1： 完整代码已上传我的资源：【优化算法】冠状病毒群体免疫优化算法（CHIO）【含Matlab源码 186期】
获取代码方式2： 通过订阅紫极神光博客付费专栏，凭支付凭证...
一、获取代码方式
获取代码方式1：
完整代码已上传我的资源：【优化算法】冠状病毒群体免疫优化算法（CHIO）【含Matlab源码 186期】
获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。
备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；
二、冠状病毒群体免疫优化算法（CHIO）简介
本文提出了一种新的基于自然启发的人本优化算法：冠状病毒群免疫优化算法（CHIO）。
CHIO的灵感来源于群体免疫概念，作为应对冠状病毒大流行（COVID-19）的一种方法。
冠状病毒感染的传播速度取决于感染者如何与其他社会成员直接接触。为了保护其他社会成员免受疾病的侵害，健康专家建议保持社会距离。群体免疫是一种状态，当大多数人免疫时，人群达到这种状态，从而防止疾病传播。这些概念是根据优化理论建模的。CHIO模仿了群体免疫策略和社会距离概念。
群体免疫利用了三种类型的个体病例：易感、感染和免疫。
这是为了确定如何用社会距离策略更新其基因产生的解决方案。
CHIO使用23个著名的基准函数进行评估。
首先，研究了CHIO对其参数的敏感性。
在此基础上，对现有的七种方法进行了比较评价。
通过对比分析，证实了CHIO与其他成熟方法相比，能够产生非常有竞争力的结果。
为了进一步验证，使用了从IEEE-CEC 2011中提取的三个实际工程优化问题。
同样，CHIO被证明是有效的。
总之，CHIO是一个非常强大的优化算法，可以用来解决跨各种优化领域的许多优化问题。
三、部分源代码
%=======================================================================
% Coronavirus herd immunity optimizer (CHIO)
% All rights reserved.
%=======================================================================
clear all
close all
clc
PopSize=30; %/* The number of Solutions*/
MaxAge = 100;
C0 = 1; % number of solutions have corona virus
Max_iter=100000; %/*The number of cycles for foraging {a stopping criteria}*/
SpreadingRate = 0.05; % Spreading rate parameter
runs = 1;%/*Algorithm can be run many times in order to see its robustness*/
ObjVal = zeros(1,PopSize);
Age = zeros(1,PopSize);
BestResults = zeros(runs,1); % saving the best solution at each run
for funNum=7:7 % fun#1 to fun#23
if(funNum==1)
Function_name='F1';
elseif(funNum==2)
Function_name='F2';
elseif(funNum==3)
Function_name='F3';
elseif(funNum==4)
Function_name='F4';
elseif(funNum==5)
Function_name='F5';
elseif(funNum==6)
Function_name='F6';
elseif(funNum==7)
Function_name='F7';
elseif(funNum==8)
Function_name='F8';
elseif(funNum==9)
Function_name='F9';
elseif(funNum==10)
Function_name='F10';
elseif(funNum==11)
Function_name='F11';
elseif(funNum==12)
Function_name='F12';
elseif(funNum==13)
Function_name='F13';
elseif(funNum==14)
Function_name='F14';
elseif(funNum==15)
Function_name='F15';
elseif(funNum==16)
Function_name='F16';
elseif(funNum==17)
Function_name='F17';
elseif(funNum==18)
Function_name='F18';
elseif(funNum==19)
Function_name='F19';
elseif(funNum==20)
Function_name='F20';
elseif(funNum==21)
Function_name='F21';
elseif(funNum==22)
Function_name='F22';
elseif(funNum==23)
Function_name='F23';
end
% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
for run = 1:runs
% Initializing arrays
swarm=zeros(PopSize,dim);
% Initialize the population/solutions
swarm=initialization(PopSize,dim,ub,lb);
for i=1:PopSize,
ObjVal(i)=fobj(swarm(i,:));
end
Fitness=calculateFitness(ObjVal);
%% update the status of the swarms (normal, confirmed)
%%the minmum C0 Immune rate will take 1 status which means
%%infected by corona
Status=zeros(1,PopSize);
for i=1:C0,
Status(fix(rand*(PopSize))+1)=1;
end
%===================== loop ===================================
tic
itr=0; % Loop counter
while itr<Max_iter
for i=1:PopSize,
%evaluate new solution
ObjValSol=fobj(NewSol);
FitnessSol=calculateFitness(ObjValSol);
% Update the curent solution & Age of the current solution
if (ObjVal(i)>ObjValSol)
swarm(i,:)=NewSol;
Fitness(i)=FitnessSol;
ObjVal(i)=ObjValSol;
else
if(Status(i)==1)
Age(i) = Age(i) + 1;
end
end
% change the solution from normal to confirmed
if ((Fitness(i) < mean(Fitness))&& Status(i)==0 && CountCornoa>0)
Status(i) = 1;
Age(i)=1;
end
% change the solution from confirmed to recovered
if ((Fitness(i) >= mean(Fitness))&& Status(i)==1)
Status(i) = 2;
Age(i)=0;
end
% killed the current soluion and regenerated from scratch
if(Age(i)>=MaxAge)
NewSolConst = initialization(1,dim,ub,lb);
swarm(i,:) = NewSolConst(:);
Status(i) = 0;
end
end
if(mod(itr,100)==0)
display(['Fun#',num2str(funNum),' Run#', num2str(run), ', Itr ', num2str(itr), ' Results ', num2str(min(ObjVal))]);
end
itr=itr+1;
end
toc;
% Save the best results at each iteration
BestResults(run)=min(ObjVal);
end % run
fprintf(1, '\n\n Done \n\n');
end
四、运行结果
五、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。
原文链接：qq912100926.blog.csdn.net/article/details/113504971
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）