注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。

1.代码实现

不了解飞蛾扑火算法可以先看看优化算法笔记（二十五）飞蛾扑火算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。

以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。

飞蛾扑火算法的个体没有独有属性。
飞蛾扑火算法个体
文件名：.. \optimization algorithm\algorithm_moth_flame\MFO_Unit.m

% 飞蛾扑火算法个体 classdef MFO_Unit < Unit properties end methods function self = MFO_Unit() end end end

飞蛾扑火算法算法主体
文件名：..\optimization algorithm\algorithm_moth_flame\MFO_base.m

% 飞蛾扑火算法 classdef MFO_base < Algorithm_Impl properties % 算法名称 name = 'MFO'; % 飞蛾数量 flame_num; % 火焰列表，已有的unit_list为飞蛾列表 flame_list=[]; t = -1; end % 外部可调用的方法 methods function self = MFO_base(dim,size,iter_max,range_min_list,range_max_list) % 调用父类构造函数 self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list); self.name ='MFO'; % 初始化每个飞蛾一个火焰 self.flame_num = size; end end % 继承重写父类的方法 methods (Access = protected) % 初始化种群 function init(self) init@Algorithm_Impl(self) %初始化种群 for i = 1:self.size unit = MFO_Unit(); % 随机初始化位置：rand(0,1).*(max-min)+min unit.position = unifrnd(self.range_min_list,self.range_max_list); % 计算适应度值 unit.value = self.cal_fitfunction(unit.position); % 将个体加入群体数组 self.unit_list = [self.unit_list,unit]; flame = MFO_Unit(); % 随机初始化位置：rand(0,1).*(max-min)+min flame.position = unifrnd(self.range_min_list,self.range_max_list); % 计算适应度值 flame.value = self.cal_fitfunction(flame.position); % 将个体加入群体数组 self.flame_list = [self.flame_list,flame]; end end % 每一代的更新 function update(self,iter) update@Algorithm_Impl(self,iter) % 更新t self.update_t(iter); % 更新火焰数量 self.update_flame_num(iter); % 更新飞蛾位置 self.update_moth(); % 更新火焰位置 self.update_flame(); end % 更新全局变量t function update_t(self,iter) min_t = -2.0; max_t = -1.0; self.t = max_t - (max_t -min_t)*iter/self.iter_max; end % 更新全局变量，火焰数量 function update_flame_num(self,iter) num = floor(self.size-self.size*iter/self.iter_max); if(num<=0) num = 1; end self.flame_num = num; end % 更新飞蛾为位置 function update_moth(self) for i = 1:self.size % 随机选择火焰id fi = randperm(self.flame_num,1); moth = self.unit_list(i); flame = self.flame_list(fi); r = unifrnd(self.t,1,1,self.dim); new_pos = flame.position + abs(moth.position - flame.position).*exp(r).*cos(2*pi*r); % 越界检查 new_pos = self.get_out_bound_value(new_pos); new_value = self.cal_fitfunction(new_pos); self.unit_list(i).value = new_value; self.unit_list(i).position = new_pos; end end % 更新火焰位置 function update_flame(self) % 将火焰和飞蛾从优到劣排序 all_list = [self.flame_list,self.unit_list,]; [value,index] = sort([all_list.value],'descend'); % 取较优的部分为火焰 for i = 1:self.flame_num self.flame_list(i).position = all_list(index(i)).position; self.flame_list(i).value = all_list(index(i)).value; end end % 获取当前最优个体的id function best_id=get_best_id(self) % 求最大值则降序排列 [value,index] = sort([self.unit_list.value],'descend'); best_id = index(1); end end end

文件名：..\optimization algorithm\algorithm_moth_flame\MFO_Impl.m
算法实现，继承于base,图方便也可不写，直接用MFO_base，这里为了命名一致。

% 飞蛾扑火算法实现 classdef MFO_Impl < MFO_base % 外部可调用的方法 methods function self = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list) % 调用父类构造函数设置参数 self@MFO_base(dim,size,iter_max,range_min_list,range_max_list); end end end

2.测试

测试F1
文件名：..\optimization algorithm\algorithm_moth_flame\Test.m

%% 清理之前的数据 % 清除所有数据 clear all; % 清除窗口输出 clc; %% 添加目录 % 将上级目录中的frame文件夹加入路径 addpath('../frame') %% 选择测试函数 Function_name='F1'; %[最小值，最大值，维度，测试函数] [lb,ub,dim,fobj]=Get_Functions_details(Function_name); %% 算法实例 % 种群数量 size = 50; % 最大迭代次数 iter_max = 1000; % 取值范围上界 range_max_list = ones(1,dim).*ub; % 取值范围下界 range_min_list = ones(1,dim).*lb; % 实例化飞蛾扑火算法类 base = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list); base.is_cal_max = false; % 确定适应度函数 base.fitfunction = fobj; % 运行 base.run(); disp(base.cal_fit_num); %% 绘制图像 figure('Position',[500 500 660 290]) %Draw search space subplot(1,2,1); func_plot(Function_name); title('Parameter space') xlabel('x_1'); ylabel('x_2'); zlabel([Function_name,'( x_1 , x_2 )']) %Draw objective space subplot(1,2,2); % 绘制曲线，由于算法是求最大值，适应度函数为求最小值，故乘了-1，此时去掉-1 semilogy((base.value_best_history),'Color','r') title('Objective space') xlabel('Iteration'); ylabel('Best score obtained so far'); % 将坐标轴调整为紧凑型 axis tight % 添加网格 grid on % 四边都显示刻度 box off legend(base.name) display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]); display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);