适合医药公司做网站的图片,南京做网站费用,中国500强公司排名查询,贵州百度竞价网页设计2020年发表的海洋捕食者算法《Marine Predators Algorithm: A nature-inspired metaheuristic》。 作者只在原论文中给出了MATLAB代码#xff0c;网上也没有Python版本#xff0c;我自己用Python重写了MATLAB代码。
2020海洋捕食者算法
网上也没有Python版本我自己用Python重写了MATLAB代码。
2020海洋捕食者算法import numpy as np
import random
import mathdef initial(pop, dim, ub, lb):X np.zeros([pop, dim])for i in range(pop):for j in range(dim):X[i, j] random.random() * (ub[j] - lb[j]) lb[j] # 均匀分布随机初始化return X, lb, ub# 将超过边界的直接用边界值赋值
def BorderCheckForOne(x, ub, lb, pop, dim):if x ub[0]:x ub[0]elif x lb[0]:x lb[0]return xdef levy(n, m, beta):num math.gamma(1beta)*math.sin(math.pi*beta/2)den math.gamma((1beta)/2) * beta * 2**((beta-1)/2)sigma_u (num/den)**(1/beta)u np.random.normal(0,sigma_u,(n,m))v np.random.normal(0,1,(n,m))return u/(np.abs(v)**(1/beta)) ## ^的用法好像有错def MPA(pop, dim, lb, ub, MaxIter, fun):Top_predator_pos np.zeros(dim) #或者np.zeros([1,dim])Top_predator_fit float(inf)Convergence_curve np.zeros(MaxIter)stepsize np.zeros([pop, dim]) # pop×dimfitness np.inf * np.ones([pop, 1]) # pop×1# 初始化种群X, lb, ub initial(pop, dim, ub, lb)Xmin lb[0] * np.ones([pop, dim])Xmax ub[0] * np.ones([pop, dim])Iter 0FADs 0.2P 0.5while Iter MaxIter:# 对上一轮的进行复盘 for i in range(0, pop):# 1.边界检测for j in range(0, dim):X[i, j] BorderCheckForOne(X[i, j], ub, lb, pop, dim)# 2.计算每个鲨鱼的适应度值fitness[i, 0] fun(X[i, :])if fitness[i, 0] Top_predator_fit: # 23个基准函数都是越小越好Top_predator_fit fitness[i, 0].copy()Top_predator_pos X[i, :].copy()# Memory saving if Iter 0:fit_old fitness.copy()X_old X.copy()for i in range(pop):if fit_old[i, 0] fitness[i, 0]:fitness[i, 0] fit_old[i, 0].copy() # 如果上一轮的位置更好还是用上一轮的X[i, :] X_old[i, :].copy()fit_old fitness.copy()X_old X.copy()# LevyElite np.ones([pop, 1]) * Top_predator_posCF (1-Iter/MaxIter)**(2*Iter/MaxIter)RL0.05*levy(pop, dim, 1.5) # levy返回一个pop×dim的矩阵RB np.random.randn(pop, dim) # 满足正态分布的pop×dim大小矩阵# 遍历每个个体for i in range(pop):for j in range(dim):R random.random()# 公式12if Iter MaxIter/3:stepsize[i, j] RB[i, j] * ( Elite[i, j]-RB[i, j]*X[i, j] )X[i, j] X[i, j] P*R*stepsize[i, j]# 公式13 和 14elif IterMaxIter/3 and Iter 2*MaxIter/3:if i pop/2:stepsize[i, j] RB[i, j] * (RB[i, j]*Elite[i, j]-X[i, j])X[i, j] Elite[i, j] P*CF*stepsize[i, j]else:stepsize[i, j] RL[i, j] * (Elite[i, j]-RL[i, j]*X[i, j])X[i, j] X[i, j] P * R *stepsize[i, j]# 公式15else:stepsize[i, j] RL[i, j]*( RL[i, j]*Elite[i, j]-X[i, j])X[i, j] Elite[i, j] P*CF*stepsize[i, j]# 对上一轮的进行复盘 for i in range(0, pop):# 1.边界检测for j in range(0, dim):X[i, j] BorderCheckForOne(X[i, j], ub, lb, pop, dim)# 2.计算每个鲨鱼的适应度值fitness[i, 0] fun(X[i, :])if fitness[i, 0] Top_predator_fit: # 23个基准函数都是越小越好Top_predator_fit fitness[i, 0].copy()Top_predator_pos X[i, :].copy()# Memory saving if Iter 0:fit_old fitness.copy()X_old X.copy()for i in range(pop):if fit_old[i, 0] fitness[i, 0]:fitness[i, 0] fit_old[i, 0].copy() # 如果上一轮的位置更好还是用上一轮的X[i, :] X_old[i, :].copy()fit_old fitness.copy()X_old X.copy()# 对整体进行一个更新公式16if random.random() FADs:U (np.random.rand(pop, dim) FADs)X X CF*np.multiply(Xmin np.multiply(np.random.rand(pop, dim), (Xmax-Xmin)), U)else:r random.random()stepsize (FADs*(1-r)r) * (X[random.sample(range(0, pop), pop),:] - X[random.sample(range(0, pop), pop),:])X X stepsizeIter Iter1if Iter!MaxIter:Convergence_curve[Iter] Top_predator_fitreturn Top_predator_fit, Top_predator_pos, Convergence_curve在23个基准函数上跑了一遍验证得代码正确 fun 1 ---- 4 轮的平均值: 1.590879014464718e-22 fun 2 ---- 4 轮的平均值: 3.1015801972813803e-13 fun 3 ---- 4 轮的平均值: 2.1687101928786233e-05 fun 4 ---- 4 轮的平均值: 2.738516688049143e-09 fun 5 ---- 4 轮的平均值: 24.3651022631242 fun 6 ---- 4 轮的平均值: 1.5518969799868655e-08 fun 7 ---- 4 轮的平均值: 0.0007603777498045276 fun 8 ---- 4 轮的平均值: -9759.428902632117 fun 9 ---- 4 轮的平均值: 0.0 fun 10 ---- 4 轮的平均值: 1.1923795284474181e-12 fun 11 ---- 4 轮的平均值: 0.0 fun 12 ---- 4 轮的平均值: 9.427489581332269e-10 fun 13 ---- 4 轮的平均值: 2.018121184109257e-08 fun 14 ---- 4 轮的平均值: 0.9980038377944498 fun 15 ---- 4 轮的平均值: 0.00030748598780886593 fun 16 ---- 4 轮的平均值: -1.0316284534898776 fun 17 ---- 4 轮的平均值: 0.39788735772973816 fun 18 ---- 4 轮的平均值: 2.999999999999924 fun 19 ---- 4 轮的平均值: -3.862782147820756 fun 20 ---- 4 轮的平均值: -3.3219951715813822 fun 21 ---- 4 轮的平均值: -10.153199679022137 fun 22 ---- 4 轮的平均值: -10.40294056677283 fun 23 ---- 4 轮的平均值: -10.53640981666291
