Jaya原理及matlab实现在cec2005的测试-附代码_cec2005测试函数最优值

以下是jaya函数的代码，主函数及cec2005测试函数私聊获取

%% jaya函数
 
function [Best_pos,Best_score,curve] = Jaya(pop,Max_iter,lb,ub,dim,fobj)
%定义一个jaya的函数，这个函数输入五个参数，输出3个参数
%输入参数：
%pop：种群数量
%Max_iter:最大迭代次数
%lb：变量的下界，一般是个向量，表示不同变量（维度）的下界
%ub：变量的上界
%fobj：适应度函数，类似于目标函数
%输出参数：
%Best_pos:最优解
%Best_score:最优解对应的函数值
%curve：每一轮迭代的最优解的函数值
 
%确保上下界是向量形式，如果是标量则进行转化
if (max(size(ub))==1);      %则是一个标量，需要转换成向量，方便后面确定初始化种群的值，此时每个变量的上下限是相同的
    lb=lb.*ones(1,dim);
    ub=ub.*ones(1,dim);
end
 
%定义种群中初始化变量的取值
X0=initialization(pop,dim,lb,ub);
X=X0;
 
fitness=zeros(1,pop);  %计算每一个个体的函数值，并储存到fitness这个列向量中
for i=1:pop;
    fitness(i)=fobj(X(i,:));
end
 
[fitness,index]=sort(fitness); %将函数值进行一个排序，从小到大，并输出原顺序的索引
 
GBestF = fitness(1);   %记录全局最优适应度值
 
 
for i=1:pop;  %对X中个体的顺序进行更新，函数值从小到大向下
    X(i,:)=X0(index(i),:);
end
 
GBestX = X(1,:);%记录全局最优解
 
%把curve和X_new先初始化一下，增加运行速度
curve=zeros(1,Max_iter);
X_new = X;
%开始迭代,不断更新最优解
for t=1:Max_iter;
    Pbest = X(1,:);
    Pworst = X(end,:);
    
    %计算用jaya更新的每个个体的新值
    for i=1:pop;
         X_new(i,:) = X(i,:) + rand(1,dim).*(Pbest - abs(X(i,:))) - rand(1,dim).*(Pworst - abs(X(i,:)));
    end
    
    % 边界控制，防止新值超过约束
    
    for j=1:pop;
        for a=1:dim;
            if (X_new(j,a)>ub(a));
                X_new(j,a)=ub(a);
            end
            if (X_new(j,a)<lb(a));
                X_new(j,a)=lb(a);
            end
        end
    end
    
    %计算新的适应度值
    for j=1:pop
        fitness_new(j)=fobj(X_new(j,:));
    end
    
    %比较每个个体是否需要更新
    for j=1:pop;
        if  fitness_new(j)<fitness(j);
            X(j,:)=X_new(j,:);
            fitness(j)=fitness_new(j);
        end
        if (fitness_new(j)<GBestF);
            GBestF=fitness_new(j);
            GBestX=X_new(j,:);
        end
    end
    
    %更新X的位置
    [fitness,index]=sort(fitness);
    X = X(index,:);%这个代码直接按index的索引调换了X行的位置
    
    %记录每一次迭代的最优适应度值
    curve(t)=GBestF;
end
Best_pos = GBestX;
Best_score = curve(end);
 
end