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645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf