【优化算法】基于matlab反向策略的麻雀搜索算法【含Matlab源码 1918期】

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】基于matlab反向策略的麻雀搜索算法【含Matlab源码 1918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、反向策略的麻雀搜索算法简介

1 基本SSA
自然界中麻雀种群内部存在明显分工，根据其捕食与反捕食习性，SSA将麻雀种群中成员分为发现者、跟随者、预警者3类。发现者是具有最高适应度的成员，其搜索范围最广，可引导种群觅食。加入者根据其适应度的高低分为2组，适应度高的加入者向发现者位置移动，追求更高的适应度；适应度低的加入者由于距离发现者过远，会自行寻找食物，若寻找到食物，则转变为发现者，因此发现者与跟随者的身份是动态变化的，但发现者与跟随者占种群的比例不变。预警者是位于种群边缘的部分个体，若发生危险，会立即提醒种群进行反捕食行为，逃避危险。

设定在D维空间中，由M只麻雀组成的种群在觅食，第i只麻雀的位置为Xi=[xi1xi2 … xiD],其中i=1,2,…,M。根据SSA的运算规则，对麻雀个体位置更新规则进行设定。

发现者位置更新规则为：

式中：T为当前迭代次数；j=1,2,…,D;xij,T为当前个体i在j维空间位置，xij,T+1为下次迭代时个体i在j维空间位置；α为(0,1]之间均匀分布的随机数；Titer 为算法最大迭代次数；Q为服从正态分布的随机数；Lj为1行D维全1矩阵L的元素；R(R∈[0,1])为预警值；ST(ST∈[0.5,1])为安全值。当R<ST时，麻雀个体可在边界内广泛搜索；当R≥ST时，预警者发出警报，种群个体做出反捕食行为。

加入者位置更新规则为：
式中：A为1行D维矩阵，其元素随机为1或-1,A+=AT(AAT)-1。将式(2)简化，可得：

xij,T+1=

式中：xij,T,w为第T次迭代时麻雀种群在第j维空间的全局最差位置；xij,T,b为第T次迭代时麻雀种群在第j维空间的全局最优位置；rand{−1,1}为-1至1间的随机数。当i>M/2时，表明加入者没有获得食物，适应度较差，会自行向其他位置移动寻找食物；当i≤M/2时，加入者适应度较高，向发现者位置移动进行觅食。

预警者位置更新规则为：

式中：β为均值为0、方差为1的正态分布随机数，用于控制每次迭代的步长；ε为极小的数，以防止分母为0;K为[-1,1]间的均匀随机数；fi为当前麻雀个体的适应度值；fg,fw分别为第T次迭代时麻雀种群的全局最优适应度值和最差适应度值。当fi=fg时，预警者在种群最优位置发现危险，立即向种群中其他位置移动；当fi≠fg时，预警者在种群边缘发现危险，向当前种群最优位置移动逃避。

2 反向学习策略
反向学习策略是一种可以提高群优化算法搜索能力的方法[18],主要思想是在当前个体所在区域产生反向个体，并在反向个体与当前个体中选取适应度高的个体进行算法迭代。

已知处于D维空间的麻雀个体位置为Xi=[xi1xi2 … xiD],满足xij∈[ui,li]的边界条件，令其产生的反向个体为Xi=[xi1xi2 … xiD],其中x*ij=li+ui-xij。当初始麻雀种群个体数为W时，反向麻雀种群个体数同样为W。将初始麻雀种群与反向麻雀种群合并，按照适应度大小进行排序，选取适应度最高的W只麻雀个体进入下一轮迭代，以达到拓宽种群搜索面积，提高种群多样性的目的。

三、部分源代码

clear all 
clc

  

 

  
1
  
2
 

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.
[3]宋扬,石勇,刘宝泉,康家玉.基于反向变异麻雀搜索算法的微电网优化调度[J].电力工程技术. 2022,41(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

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/125470280