|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
$ Z5 B6 P; m8 e! W一、简介: S t/ a, W( ^; g+ v
任何一个优化问题可以转化为一个函数问题，因此生物智能算法广泛应用，同样生物免疫算法（AIA）也是一种模拟达尔文生物进化的一个新型智能算法，生物免疫算法（AIA）根据生物系统抗体处理抗原机制，抗体进化以及最终消灭抗原，这一过程为生物免疫算法（AIA）全局寻优解的过程。
% F, U q* O8 U3 r考虑到函数优化问题的普遍性，近些年来，很多学者应用新型算法对不同函数进行测试，例如算法的稳定性、泛华能力、有效性以及全局、局部寻优能力等，因此最优化函数问题（单目标和多目标函数优化问题）一直成为广大科研人员的研究热点。根据测试函数得到的可能解，智能算法得到不断的改进，理论基础逐渐深入，使得散发本身更加稳健，能够快速为工程所用。
3 J* m& t p8 e- @4 w6 T- C人工免疫系统正引起人们的极大重视，基于免疫系统原理开发了各类算法，遗传算法GA、差分进化算法DE、蜂群算法ABC、鱼群算法FSA等，在工程实际问题中，应用越来越广泛，也取得越来越多的成果。
3 U7 A! a2 I5 X4 T/ }: Z' D
' r6 {- U9 a5 k$ K# o
% k" E' h9 Q3 C' d
4 `9 I9 {$ s! n2 K. @
8 G0 _' H( N! K9 h
7 e: a( [0 q; ^" _" M- h! o9 ]. f( ~0 B+ h4 Z
" I: [. `+ B/ ]. J2 f3 A, x
2 g/ J# R8 Z6 Z. _" v
三、源代码' e5 ]6 O( }/ L
- clc,clear,close all;
- warning off
- global popsize length min max N code;
- N=12; % 每个染色体段数（十进制编码位数）
- M=100; % 进化代数
- popsize=30; % 设置初始参数，群体大小
- length=10; % length为每段基因的二进制编码位数
- chromlength=N*length; % 字符串长度（个体长度），染色体的二进制编码长度
- pc=0.7; % 设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率
- pm=0.3; % 设置变异概率，同理也可设置为变化的
- bound={-100*ones(popsize,1),zeros(popsize,1)};
- min=bound{1};max=bound{2};
- pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体
- ymax=500; % 适应度值初始化
- ysw_x = zeros(3,12);
- %电容C2:故障类型编码，每一行为一种！code(1,：)，正常；code(2,：)，50％；code(3,：)，150％
- code =[-0.8180 -1.6201 -14.8590 -17.9706 -24.0737 -33.4498 -43.3949 -53.3849 -63.3451 -73.0295 -79.6806 -74.3230
- -0.7791 -1.2697 -14.8682 -26.2274 -30.2779 -39.4852 -49.4172 -59.4058 -69.3676 -79.0657 -85.8789 -81.0905
- -0.8571 -1.9871 -13.4385 -13.8463 -20.4918 -29.9230 -39.8724 -49.8629 -59.8215 -69.4926 -75.9868 -70.6706];
- function [bestindividual,bestfit]=best(pop,fitvalue)
- global popsize N length;
- bestindividual=pop(1,：);
- bestfit=fitvalue(1);
- %实现个体的解码的计算
- function [objx]=calx(pop)
- % global N length % 默认染色体的二进制长度length=10
- N=12; length=10;
- for j=1:N %译码！
- temp(:,j)=decodechrom(pop,1+(j-1)*length,length);
- x(:,j)=temp(:,j)/(2^length-1)*(max(j)-min(j))+min(j);
- end
- fitvalue=calfitvalue(objvalue); favg(k)=sum(fitvalue)/popsize; %
- newpop=selection(pop,fitvalue); objvalue=calobjvalue(newpop,i); %
- newpop=crossover(newpop,pc,k); objvalue=calobjvalue(newpop,i); %
- newpop=mutation(newpop,pm); objvalue=calobjvalue(newpop,i); %
- [bestindividual,bestfit]=best(newpop,fitvalue);
- if bestfit<ymax
- ymax=bestfit;
- end
6 {* K1 d! T( J' j; y/ q% V/ [
9 x) u D0 ]' k+ n. e5 R& f$ U5 Y1 w7 ~; d% u
三、运行结果" y3 ]& B: R! N0 b) }, Q+ x2 a; u
7 |2 }! g, N& l
) D$ u# d5 Z2 J" i$ h! L4 t6 k |
|
/1 
发表于 2021-4-12 17:37
收藏
淘帖
支持！
反对！