下载掌阅APP，畅读海量书库
立即打开
本节主要介绍哈里斯鹰优化算法的MATLAB代码具体实现，主要包括种群初始化；适应度函数；边界检查和约束函数；Levy飞行函数；哈里斯鹰优化算法代码几个部分。
随机数的生成采用MATLAB自带的随机数生成函数rand()，rand()生成[0,1]之间的随机数。
>> rand()
运行结果如下：
ans =
0.5540
如果要一次性生成多个随机数，可以使用rand(row, col)，其中row，col分别代表行和列，如rand(3,4)表示生成3行4列的范围在[0,1]之间的随机数。
>> rand(3,4)
运行结果如下：
如果要生成指定范围内的随机数，其表达式如下：
r = lb +( ub - lb )×rand()
式中， ub 代表范围的上边界， lb 代表范围的下边界。如在[0,3]范围内生成5个随机数：
ub = 3; %上边界 lb = 0; %下边界 r = (ub - lb).*rand(1,5) + lb
运行结果如下：
将哈里斯鹰优化算法种群初始化函数单独定义为一个函数，命名为initialization。利用随机数生成方式生成初始种群。
例如，设定种群数量为5，每个个体维度为3，每个维度的边界为[-3,3]，利用初始化函数初始种群。
pop = 5; %种群数量 dim = 3; %每个个体维度 ub = [3,3,3]; %上边界 lb = [-3,-3,-3]; %下边界 position = initialization(pop,ub,lb,dim)
运行结果如下：
从运行结果可以看出，通过初始化函数得到的种群均在设定的上下边界范围内。
为了更加直观地表现随机初始化函数的效果，设定种群数量为20，个体维度为2，维度边界分别设置为[0,1]、[-2,-1]、[2,3]，绘制3种范围的随机数生成结果，如图2.7所示。
pop = 20; %种群数量
dim = 2; %每个个体维度
ub = [1,1]; %上边界
lb = [0,0]; %下边界
position0 = initialization(pop, ub, lb, dim);
ub = [-1,-1]; %上边界
lb = [-2,-2]; %下边界
position1 = initialization(pop, ub, lb, dim);
ub = [3,3]; %上边界
lb = [2,2]; %下边界
position2 = initialization(pop, ub, lb, dim);
figure
plot(position0(:,1),position0(:,2),'bo');
hold on
plot(position1(:,1),position1(:,2),'b.');
plot(position2(:,1),position2(:,2),'bo');
grid on
title('不同随机数范围生成结果')
xlabel('X')
ylabel('Y')
legend('[0,1]','[-2,-1]','[2,3]')
图2.7 程序运行结果
从图2.7可以看出，生成的种群均在相应的边界范围内产生。
在学术研究与工程实践中优化问题是多种多样的，需要根据问题优化目标的不同设计相应的适应度函数（也称目标函数）。为了便于后续优化算法调用适应度函数，通常将适应度函数单独写成一个函数，命名为fun()。如定义一个适应度函数fun()，并存放在fun.m中，适应度函数fun()定义如下：
%% 适应度函数
function fitness = fun(x)
%x为输入一个个体，维度为dim
%fitness为输出的适应度
fitness =sum(x.^2);
end
可以看出，适应函数fun()是 x 所有维度的平方和，如 x = [2,3]，那么经过适应度函数计算后得到的值为13。
x=[2,3]; fitness = fun(x)
运行结果如下：
fitness =
13
边界检查的目的是防止变量超过预先指定的范围，具体逻辑是当变量大于上边界（ ub ）时，将变量设为上边界；当变量小于下边界（ lb ）时，将变量设为下边界；当变量小于等于上边界（ ub ），且大于等于下边界（ lb ）时，变量保持不变。形式化描述如下：
定义边界检查函数为BoundaryCheck。
如x = [0.5,2,-2,1]，定义的上边界为[1,1,1,1]，下边界为[-1,-1,-1,-1]，经过边界检查和约束后，x应该为[0.5,1,-1,1]。
x = [0.5,1,-1,1]; ub = [1,1,1,1]; lb = [-1,-1,-1,-1]; x = BoundaryCheck(x)
运行结果如下：
在2.1.3节中的渐进式快速俯冲的软包围和渐进式快速俯冲的硬包围策略中，已使用Levy飞行函数，其表达式如下：
式中，
是一个默认变量，通常情况下
取1.5，
u
和
v
是一个[0,1]范围内的随机变量。
为了方便调用将Levy飞行函数单独写成一个函数，命名为Levy。
用Levy飞行函数生成20组二维数据，观察其变化，二维Levy飞行函数变化图如图2.8所示。
图2.8 程序运行结果
%Levy飞行函数示意图
X=Levy(20);%20组数据的横坐标
Y=Levy(20);%20组数据的纵坐标
figure
plot(X,Y,'.-','LineWidth',1.5);
xlabel('X轴');
ylabel('Y轴');
grid on
title('二维Levy飞行函数示意图')
从图2.8可以看出，Levy飞行函数的轨迹随机性较强，有利于帮助哈里斯鹰的探索。
由2.1节哈里斯鹰优化算法的基本原理编写哈里斯鹰优化算法的基本代码，定义哈里斯鹰优化算法的函数名称为HHO。
综上，哈里斯鹰优化算法的基本代码编写完成，可以通过函数HHO进行调用。下面将讲解如何使用上述哈里斯鹰优化算法解决优化问题。