MATLAB实现智能优化算法代码的实现分别采用遗传算法(GA )、粒子群算法(PSO )、模拟退火算法(SA )、蚁群算法(ACO )，对函数进行
f(x )=x10sin ) 5x )7cos ) 4x； 在定义域[ 0，10 ]中查找最大值的迭代优化时，源代码如下：
功能测试(para )，para为1 )，遗传算法(，ifpara==1)，参数设置NP=50； L=20； G=100； Pc=0.8； Pm=0.1； xmax=10； xmin=0； prex=虚拟发带([ 0，1 ]，NP，l )； %二进制代码格式for k=1:G for i=1:NP m=0； forj=1:13360Lm=m2^(j-1 ) *prex(I，j )； endx(I )=m*(xmax-xmin )/(2^L-1 ) xmin； 进制代码格式fit(I )=func ) I )； %计算适应度函数endmaxfit=max(fit )； 最小拟合=min (fit； RR=find (最大fit==fit )； XB est=prex (RR (1，1 )， )； XB est=x (RR (1，1 )； %fit=(fit-minfit )/)/(maxfit-minfit )； 基于轮盘复制操作的sumfit=sum(fit )； fitvalue=fit./sumfit； %归一化处理fitvalue=cumsum(fitvalue )； ms=sort(rand(NP，1 )； fiti=1； newi=1； wilenewi=NPif(ms ) newi ) ) fitvalue ) Fiti ) nf ) newi， )=prex ) Fiti， )； newi=newi 1； else fiti=fiti 1； endend%%%%%%概率交叉操作%%%%forI=1:23360NP=rand； if pPc q=虚拟发带([ 0，1 ]，1，l )； forj=1:lifq(j )==1temp=nf ) I1，j )； nf(I1，j )=nf ) I，j )； nf(I，j )=temp； endendend%%%%基于概率变异操作的%%%%I=1； whileI=round(NP*pm ) h=虚拟发带([1，NP]，1，1 )； forj=1:round(L*pm ) g=虚拟发带([1，L]，1，1 )； nf(h，g )=~nf(h ) h，g )； end i=i 1； end prex=nf； prex (1， )=xbest； 跟踪(k )=最大拟合； endXBestfunc(XBest ) figure(1) subplot (2，2，1 ) plot (trace ) xlabel (ITER ) ylabel () bestfit (title ) ) ) ) ) w=0.8； c1=1.5； c2=1.5； vmax=10； vmin=-10； xmax=10； xmin=0； D=1； iter_max=100； prex=rand(n，d ) * ) *(xmax-xmin ) xmin； v=rand(n，d ) * ) *(vmax-vmin ) vmin； pxbest=prex； forI=1:npbest(I， )=func (prex ) I， )； end [gbest，ind
ex]=max(pbest); gxbest=prex(index,:); iter=1; while iter<iter_max for i=1:N v(i,:)=w*v(i,:)+c1*rand*(pbest(i,:)-prex(i,:))+c2*rand*(gbest-prex(i,:)); if v(i,:)>vmax v(i,:)=vmax; end if v(i,:)<vmin v(i,:)=vmin; end prex(i,:)=prex(i,:)+v(i,:); if prex(i,:)>xmax prex(i,:)=xmax; end if prex(i,:)<xmin prex(i,:)=xmin; end if (func(prex(i,:))>func(pxbest(i,:))) pxbest(i,:)=prex(i,:); pbest(i,:)=func(prex(i,:)); end if (func(prex(i,:))>gbest) gxbest=prex(i,:); gbest=func(prex(i,:)); end end trace(iter)=gbest; iter=iter+1; end gxbest func(gxbest) figure(1) subplot(2,2,2) plot(trace) xlabel('iter') ylabel('bestfit') title('PSO算法')else if para==3 %%%%%%%采用模拟退火算法%%%%%%%%%%% T=100; K=0.998; L=200; YZ=1e-10; xmax=10; xmin=0; S=0.01; D=1; P=0; prex=rand(D,1)*(xmax-xmin)+xmin; prebestx=prex; prex=rand(D,1)*(xmax-xmin)+xmin; bestx=prex; deta=abs(func(bestx)-func(prebestx)); while (deta>YZ&&T>0.01) T=K*T; for i=1:L nextx=prex+S*((xmax-xmin)+xmin); for j=1:D if nextx(j,1)>xmax nextx(j,i)=xmax; end if nextx(j,1)<xmin nextx(j,1)=xmin; end end fit=func(nextx); %%%%更新最优参数和适应度 if fit>func(bestx) prebestx=bestx; bestx=nextx; end %%%%%%以算法确定是否代替旧解%%%%%%% if (func(bestx)-func(prebestx)<0) prex=nextx; P=P+1; else changer=-(func(bestx)-func(prebestx))/T; p1=exp(changer); if p1>rand prex=nextx; P=P+1; end end trace(P+1)=func(bestx); end deta=abs(func(bestx)-func(prebestx)); end bestx func(bestx) figure(1) subplot(2,2,3) plot(trace) xlabel('iter') ylabel('bestfit') title('SA算法') else if para==4 m=50; iter_max=2000; rho=0.9; P0=0.2; S=0.1; xmax=10; xmin=0; iter=1; x=rand(m,1)*(xmax-xmin)+xmin; for i=1:m tau(i)=func(x(i)); end S=0.1; for NC=1:iter_max lamda=1/iter; [taumax,index]=max(tau); %%%%%%计算状态转移矩阵%%%%%%%%% for i=1:m P(NC,i)=(tau(index)-tau(i))/tau(index); end %%%%%%位置更新 for i=1:m if P(NC,i)<P0 temp1=x(i,1)+(2*rand-1)*S*lamda; else temp1=x(i,1)+(xmax-xmin)*(rand-0.5); end if temp1<xmin temp1=xmin; end if temp1>xmax temp1=xmax; end if func(temp1)>func(x(i,:)) x(i)=temp1; end end for i=1:1:m tau(i)=(1-rho)*tau(i)+func(x(i)); end [value,index]=min(tau); trace(NC)=func(x(index)); end [maxval,index]=min(tau); maxx=x(index) maxval=func(maxx) figure(1) subplot(2,2,4) plot(trace) end end endend 仿真结果验证观察仿真结果可得，x参数最优值聚集于7.85附近，最优函数值为24.85附近，验证了几种算法的有效性。