技术标签: 算法 c++ C++ 实践经验 visual studio
最常见的基于蜜蜂采蜜行为的蜂群算法是Karaboga(2005)提出的人工蜂群算法,通常称该算法为标准(或原始)人工蜂群算法,其主要是为了解决多维和多模的函数优化问题。
标准的人工蜂群算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为三类:雇佣蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中,雇佣蜂利用先前的蜜源信息寻找新的蜜源并与跟随蜂分享蜜源信息;观察蜂在蜂房中等待并依据雇佣蜂分享的信息寻找新的蜜源;侦查蜂的任务是寻找一个新的有价值的蜜源,它们在蜂房附近地寻找蜜源。
算法主要包括以下四个部分。
(1)蜜源初始化:初始化时,随机生成 S N SN SN个可行解(等于雇佣蜂的数量)并计算适应度函数值。随机产生可行解的公式为 x i j = x m i n , j + r a n d ( 0 , 1 ) ( x m a x , j − x m i n , j ) x_{ij}=x_{min,j}+rand(0,1)(x_{max,j}-x_{min,j)} xij=xmin,j+rand(0,1)(xmax,j−xmin,j)其中, x i x_i xi(i=1,2,…,SN)表示 D D D维向量, D D D表示优化参数的个数; j ∈ 1 , 2 , . . . , D j∈{1,2,...,D} j∈1,2,...,D。
(2)新蜜源的更新搜索:蜜蜂记录自己到目前为止的最优值,并在当前蜜源邻域内展开搜索,基本ABC在蜜源附近搜索新蜜源的公式为 v i j = x i j + φ i j ( x i j − x k j ) v_{ij}=x_{ij}+φ_{ij}(x_{ij}-x_{kj}) vij=xij+φij(xij−xkj)其中, j ∈ 1 , 2 , . . . , D j∈{1,2,...,D} j∈1,2,...,D, k ∈ 1 , 2 , . . . , S N k∈{1,2,...,SN} k∈1,2,...,SN, k k k表示随机生成且 k ≠ i k≠i k=i; φ φ φ表示[-1,1]的随机数。
(3)观察蜂选择蜜源的概率为 P i = f i t ( x i ) ∑ n = 1 S N f i t ( x n ) P_i=\frac{fit(x_i)}{\sum_{n=1}^{SN}fit(x_n)} Pi=∑n=1SNfit(xn)fit(xi)其中, f i t ( x i ) fit(x_i) fit(xi)表示第 i i i个解的适应度,对应蜜源的丰富程度。蜜源越丰富,被跟随蜂选择的概率越大,按以下式子计算适应度: f i t ( x i ) = { 1 1 + f i , f i > 0 1 + a b s ( f i ) f i < 0 fit(x_i) = \begin{cases} \frac{1}{1+f_i}, & \text{$f_i>0$} \\[2ex] 1+abs(f_i) & \text{$f_i<0$} \\ \end{cases} fit(xi)=⎩⎨⎧1+fi1,1+abs(fi)fi>0fi<0其中, f i f_i fi是蜜源的适应值。
(4)侦察蜂的产生:为防止算法陷入局部最优,当某蜜源迭代 l i m i t limit limit次没有改进时,便放弃该蜜源,并且将该蜜源记录在禁忌表中,同时该蜜源对应的雇佣蜂转变为侦察蜂,随机产生一个新的位置代替原蜜源。
人工蜂群算法就是通过不断地角色转换和执行行为模式,最终找到最丰富食物源。在人工蜂群算法中,雇佣蜂有保持优良食物源的作用,具有精英特性;跟随蜂增加较好食物源对应的蜜蜂数,加快算法的收敛;侦察蜂随机搜索新食物源,帮助算法跳出局部最优。
人工蜂群算法的算法流程如下:
步骤1:根据第一个式子初始化种群解 x i , i = 1 , . . . , S N x_i,i=1,...,SN xi,i=1,...,SN
步骤2:计算种群中各个蜜蜂的适应值
步骤3:cycle=1
步骤4:repeat
步骤5:雇佣蜂根据第二个式子产生新的解 v i v_i vi并计算适应值
步骤6:雇佣蜂根据贪心策略选择蜜源
步骤7:根据第三个式子计算选择蜜源 x i x_i xi的概率 P i P_i Pi
步骤8:跟随蜂根据概率 P i P_i Pi选择蜜源 x i x_i xi,根据第二个式子在该蜜源附近产生新的蜜源 v i v_i vi,并计算新蜜源 v i v_i vi的适应值
步骤9:跟随蜂根据贪心策略选择蜜源
步骤10:决定是否存在需要放弃的蜜源,如果存在,根据第一个式子随机产生一个蜜源替代它
步骤11:记录最优解
步骤12:cycle=cycle+1
步骤13:until cycle = MCN ,MCN表示终止代数。
m i n f ( x 1 , x 2 ) = 0.5 + s i n 2 x 1 2 + x 2 2 − 0.5 ( 1 + 0.001 ( x 1 2 + x 2 2 ) ) 2 minf(x_1,x_2)=0.5+ \frac{
{sin}^2 \sqrt{x_1^2+x_2^2 }-0.5}{
{(1+0.001(x_1^2+x_2^2))}^2} minf(x1,x2)=0.5+(1+0.001(x12+x22))2sin2x12+x22−0.5
其中, − 100 ≤ x 1 , x 2 ≤ 100 ( i = 1 , 2 , . . . , 30 ) -100≤x_1,x_2≤100 (i=1,2,...,30) −100≤x1,x2≤100(i=1,2,...,30)
MATLAB绘制上述函数图像代码如下:
X=-100:4:100;
Y=-100:4:100;
[XX,YY]=meshgrid(X,Y);
Z=0.5+(power(sin(sqrt(XX.*XX+YY.*YY)),2)-0.5)./power(1+0.001.*power(XX.*XX+YY.*YY,2),2);
figure
subplot(221)
mesh(X,Y,Z)
subplot(222)
surf(X,Y,Z)
subplot(223)
surfc(X,Y,Z)
subplot(224)
surfl(X,Y,Z)
shading interp;
colormap(gray);
人工蜂群算法中输入参数:
蜜源数量 S N = 20 SN = 20 SN=20
解向量的维数 D i m e n s i o n = 2 Dimension=2 Dimension=2
最大循环次数 M C N = 10000 MCN=10000 MCN=10000
蜜源没改进的最大次数 l i m i t = 20 limit=20 limit=20
main.cpp
#include <iostream>
#include <random>
#include <time.h>
using namespace std;
double Xmax = 100, Xmin = -100;
std::default_random_engine random((unsigned int)time(NULL));
std::uniform_real_distribution<double> u(Xmin, Xmax); //随机数分布对象
std::uniform_real_distribution<double> u0(0, 1); //随机数分布对象
std::uniform_real_distribution<double> u1(-1, 1); //随机数分布对象
struct Bee
{
public:
int dimension;//变量的维数
double *X;//蜜蜂
double fitdegreevalue = 0;
double selectprobability = 0;
int limitcishu = 0;
void Init(int Dimension)//初始化函数
{
dimension = Dimension;
X = new double[dimension];
for (int j = 0; j < dimension; j++)
*(X + j) = u(random);
}
};
struct BeeQun
{
public:
Bee *miyuan, bestmiyuan, *employedbee, *onlookerbee;//蜜源、最好蜜源、雇佣蜂、观察蜂
int SN;//雇佣蜂的数量、蜜源的数量、观察蜂的数量相等
int Dimension;//可行解的维数
int MCN;//终止代数
int Limit;//为防止算法陷入局部最优,蜜源最大改进次数
void Init(int sn, int dimension, int mcn, int limit)
{
SN = sn;
Dimension = dimension;
MCN = mcn;
Limit = limit;
miyuan = new Bee[SN];
employedbee = new Bee[SN];
onlookerbee = new Bee[SN];
for (int i = 0; i < SN; i++)//蜜源、雇佣峰、观察蜂初始化:随机产生SN个可行解,并计算适应度函数值
{
(miyuan + i)->Init(Dimension);
double beefunvalue = CalculateFitValue(*(miyuan + i));
(miyuan + i)->fitdegreevalue = CalculateFitDegree(beefunvalue);
(employedbee + i)->Init(Dimension);
double employedbeefunvalue = CalculateFitValue(*(employedbee + i));
(employedbee + i)->fitdegreevalue = CalculateFitDegree(employedbeefunvalue);
(onlookerbee + i)->Init(Dimension);
double onlookerbeefunvalue = CalculateFitValue(*(onlookerbee + i));
(onlookerbee + i)->fitdegreevalue = CalculateFitDegree(onlookerbeefunvalue);
}
bestmiyuan.Init(Dimension);//最好蜜源初始化
for (int j = 0; j < Dimension; j++)
{
bestmiyuan.X[j] = miyuan->X[j];
}
bestmiyuan.fitdegreevalue = miyuan->fitdegreevalue;
}
double CalculateFitValue(Bee be)//计算蜜蜂的目标函数值
{
double funvalue = 0;
for (int j = 0; j < Dimension; j++)
funvalue += be.X[j] * be.X[j];
funvalue = 0.5 + (pow(sin(sqrt(funvalue)), 2) - 0.5) / pow((1 + 0.001*funvalue), 2);
return funvalue;
}
double CalculateFitDegree(double fi)//由目标函数值计算适应度
{
double fitnessdu = 0;
if (fi > 0) fitnessdu = 1.0 / (1 + fi);
else fitnessdu = 1.0 + abs(fi);
return fitnessdu;
}
void EmployedBeeOperate()//雇佣蜂操作函数
{
std::uniform_int_distribution<int> uD(1, Dimension); //随机数分布对象
std::uniform_int_distribution<int> uSN(1, SN); //随机数分布对象
for (int i = 0; i < SN; i++)
{
for (int j = 0; j < Dimension; j++)//雇佣峰利用先前的蜜源信息寻找新的蜜源
{
(employedbee + i)->X[j] = (miyuan + i)->X[j];
}
int k, jie;//随机生成且 k≠i k∈[1,SN]
jie = uD(random) - 1;//jie为【1,Dimension】上的随机数
double φ = u1(random);//φ表示[-1,1]之间的随机数
while (true)
{
k = uSN(random) - 1;
if (k != i)break;
}
(employedbee + i)->X[jie] = (miyuan + i)->X[jie] + φ*((miyuan + i)->X[jie] - (miyuan + k)->X[jie]);//搜索新蜜源
//保证蜜源位置不越界
if ((employedbee + i)->X[jie] > Xmax) (employedbee + i)->X[jie] = Xmax;
else if ((employedbee + i)->X[jie] < Xmin) (employedbee + i)->X[jie] = Xmin;
(employedbee + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(employedbee + i)));//计算适应值
//雇佣蜂根据贪心策略选择蜜源
if (CalculateFitValue(*(employedbee + i)) < CalculateFitValue(*(miyuan + i)))
{
for (int j = 0; j < Dimension; j++)
(miyuan + i)->X[j] = (employedbee + i)->X[j];
(miyuan + i)->limitcishu = 0;
(miyuan + i)->fitdegreevalue = (employedbee + i)->fitdegreevalue;
}
else
(miyuan + i)->limitcishu++;//蜜源未改进次数加一
}
}
void CalculateProbability()//计算蜜源概率的函数
{
for (int i = 0; i < SN; i++)
{
(miyuan + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(miyuan + i)));
}
double sumfitdegreevalue = 0;
for (int i = 0; i < SN; i++)
{
sumfitdegreevalue += (miyuan + i)->fitdegreevalue;
}
for (int i = 0; i < SN; i++)
{
(miyuan + i)->selectprobability = (miyuan + i)->fitdegreevalue / sumfitdegreevalue;
}
}
void OnLookerBeeOperate()//观察蜂操作
{
std::uniform_int_distribution<int> uD(1, Dimension); //随机数分布对象
std::uniform_int_distribution<int> uSN(1, SN); //随机数分布对象
int m = 0;
while (m < SN)//为所有的观察蜂按照概率选择蜜源并搜索新蜜源,计算新蜜源适应值
{
double m_choosedprobability = u0(random);//0~1之间的随机数
for (int i = 0; i < SN; i++)
{
if (m_choosedprobability < (miyuan + i)->selectprobability)
{
int k, jie;//随机生成且 k≠i k∈[1,SN]
jie = uD(random) - 1;//jie为【1,Dimension】上的随机数
double φ = u1(random);//φ表示[-1,1]之间的随机数
while (true)
{
k = uSN(random) - 1;
if (k != i)break;
}
for (int j = 0; j < Dimension; j++)
(onlookerbee + m)->X[j] = (miyuan + i)->X[j];
(onlookerbee + m)->X[jie] = (miyuan + i)->X[jie] + φ*((miyuan + i)->X[jie] - (miyuan + k)->X[jie]);//搜索新蜜源
if ((onlookerbee + m)->X[jie] > Xmax) (onlookerbee + m)->X[jie] = Xmax;
else if ((onlookerbee + m)->X[jie] < Xmin) (onlookerbee + m)->X[jie] = Xmin;//判断是否越界
(onlookerbee + m)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(onlookerbee + m)));
//贪心策略选择蜜源
if (CalculateFitValue(*(onlookerbee + m)) < CalculateFitValue(*(miyuan + i)))
{
for (int j = 0; j < Dimension; j++)
(miyuan + i)->X[j] = (onlookerbee + m)->X[j];
(miyuan + i)->fitdegreevalue = (onlookerbee + m)->fitdegreevalue;
}
else
(miyuan + i)->limitcishu++;
m++;
}break;
}
}
}
void ScoutBeeOperate()//侦查蜂操作,决定蜜源是否放弃,并随机产生新位置替代原蜜源
{
for (int i = 0; i < SN; i++)
{
if ((miyuan + i)->limitcishu >= Limit)
{
for (int j = 0; j < Dimension; j++)
{
(miyuan + i)->X[j] = u(random);//随机产生可行解
}
(miyuan + i)->limitcishu = 0;
(miyuan + i)->fitdegreevalue = CalculateFitDegree(CalculateFitValue(*(miyuan + i)));
}
}
}
void SaveBestMiyuan()//记录最优解的函数
{
for (int i = 0; i < SN; i++)
{
if (CalculateFitValue(*(miyuan + i)) < CalculateFitValue(bestmiyuan))
{
for (int j = 0; j < Dimension; j++)
bestmiyuan.X[j] = (miyuan + i)->X[j];
}
}
}
void shuchumiyuan()
{
for (int i = 0; i<SN; i++)
for (int j = 0; j < Dimension; j++)
{
if (j == Dimension - 1)std::cout << (miyuan + i)->X[j] << endl;
else std::cout << (miyuan + i)->X[j] << ", ";
}
}
void ShuchuBestmiyuan()
{
for (int j = 0; j < Dimension; j++)
{
if (j == Dimension - 1) std::cout << bestmiyuan.X[j] << ")" << "对应的函数值为:" << CalculateFitValue(bestmiyuan) << endl;
else if (j == 0) std::cout << "(" << bestmiyuan.X[j] << ",";
else std::cout << bestmiyuan.X[j] << ",";
}
}
void DoABC(int sn, int dimension, int mcn, int limit)//运行人工蜂群算法的函数
{
Init(sn, dimension, mcn, limit);//初始化
shuchumiyuan();
SaveBestMiyuan();//保存最好蜜源
for (int k = 0; k < MCN; k++)
{
EmployedBeeOperate();
CalculateProbability();
OnLookerBeeOperate();
SaveBestMiyuan();
ScoutBeeOperate();
SaveBestMiyuan();
std::cout << "第" << k + 1 << "次迭代的最优解为:";
ShuchuBestmiyuan();
}
}
};
int main()
{
int itetime = 0;
while (true)
{
std::cout << "请输入迭代次数:";
std::cin >> itetime;
BeeQun bq;
bq.DoABC(20, 2, itetime, 20);
}
system("pause");
return 0;
}
运行结果:
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法