【智能算法】果蝇算法（FOA）原理及实现

目录

• • 1.背景
  • 2.算法原理
  • • 2.1算法思想
    • 2.2算法过程
    • 3.代���实现

      ---

      1.背景

      2011年，Pan受到果蝇搜索食物自然行为的启发，提出了果蝇优化算法(Fruit Fly Optimization Algorithm，FOA)。

      2.算法原理

      2.1算法思想

      果蝇根据气味确定食物位置，食物的距离影响气味的浓度。每次搜寻果蝇的位置会根据气味最浓的果蝇位置附近进行随机游走。

      2.2算法过程

      群体位置初始化:

      这里将求解问题中的解向量 x x x映射到果蝇算法空间 ( X , Y ) (X,Y) (X,Y)。

      X _ a x i s = l b + r a n d ∗ ( u b − l b ) Y _ a x i s = l b + r a n d ∗ ( u b − l b ) X_{\_axis}= lb+rand*(ub-lb) \\ Y_{\_axis}= lb+rand*(ub-lb) X_axis​=lb+rand∗(ub−lb)Y_axis​=lb+rand∗(ub−lb)

      计算气味浓度：

      由于事先不知道食物的具体位置，因此根据计算果蝇与原点的距离，气味浓度与距离呈反比。

      D i s t i = X i 2 + Y i 2 S i = 1 D i s t i Dist_{i}=\sqrt{X_i^2+Y_i^2} \\ S_i=\frac{1}{Dist_{i}} Disti​=Xi2​+Yi2​ ​Si​=Disti​1​

      其中， S i S_i Si​表示第 i i i只果蝇位置处的浓度判定值。

      气味浓度评定与位置更新：

      将浓度判定值代入适应度函数计算得到气味浓度值 S m e l l i Smell_i Smelli​：

      S m e l l i = f i t n e s s ( S i ) Smell_i=fitness(S_i) Smelli​=fitness(Si​)

      对所有果蝇的气味浓度值进行排序，得到气味浓度最强的果蝇位置：

      [ b e s t S e m l l , b e s t I d x ] = m i n ( S m e l l ) [bestSemll,bestIdx]=min(Smell) [bestSemll,bestIdx]=min(Smell)

      果蝇群体下次飞行位置更新为：

      X = X ( b e s t I d x ) + r a n d Y = Y ( b e s t I d x ) + r a n d X=X(bestIdx)+rand \\ Y=Y(bestIdx)+rand X=X(bestIdx)+randY=Y(bestIdx)+rand

      3.代码实现

      % 果蝇优化算法function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best, BestX, BestY] = FOA(pop, dim, ub, lb, fobj, maxIter)%pop 种群数量%dim 问题维数%ub 变量上边界%lb 变量下边界%maxIter 最大迭代次数%ouput%Best_pos 全局果蝇最优位置%Best_fitness 全局最优位置对应的适应度值%Iter_curve 每代最优适应度值%History_pos 每代果蝇种群位置%History_best 每代最优果蝇位置%BestX 最优果蝇位置X距离%BestY 最优果蝇位置Y距离%% 算法初始化% 果蝇位置初始化 for i = 1:dim    X_axis(:,i) = lb(i)+rand(pop,1)*(ub(i)-lb(i));    Y_axis(:,i) = lb(i)+rand(pop,1)*(ub(i)-lb(i));end% 最优适应度值初始化Best_fitness = inf;% 参数初始化X = zeros(pop, dim);Y = zeros(pop, dim);S = zeros(pop, dim);Dist = zeros(pop, dim);Smell = zeros(1, pop);Iter_curve = zeros(1, maxIter);%% 迭代for t = 1:maxIter    for i = 1:pop        % 果蝇通过气味确定食物方向        X(i,:) = X_axis(i,:) + 2 * rand(1, dim) - 1;        Y(i,:) = Y_axis(i,:) + 2 * rand(1, dim) - 1;        % 计算距离        Dist(i,:) = (X(i,:).^2 + Y(i,:).^2).^0.5;        S(i,:) = 1./Dist(i,:);        % 检查边界        Flag4ub=S(i,:)>ub;        Flag4lb=S(i,:)t} = S;    History_best{t} = Best_pos;    BestX{t} = BestXTemp;    BestY{t} = BestYTemp;    Iter_curve(t) = Best_fitness;endend