二进制蝙蝠算法用于解决背包问题
算法流程
背包问题
Matlab 代码
目标函数
仿真结果
参考文献

算法流程

背包问题

参考[Matlab] 离散二进制粒子群算法（BPSO ）解决背包问题

Matlab 代码
%% 二进制蝙蝠算法

%初始化种群
r = 0.7;
narvs = 10; %问题的维度
n = 100;
dim = narvs;
maxgen = 100;
populationSize = 100;

Qmin=0;         % Frequency minimum 频率最小值
Qmax=2;         % Frequency maximum 频率最大值

Q=zeros(n,1);   % Frequency
v=zeros(n,dim);   % Velocities 速度

cg_curve=zeros(1,maxgen);

x = randsrc(n,narvs,[0,1;0.5,0.5]);

%计算适应度值
fitness =targetPackage(x',100);

%找到当前最好
[fmax,I]=max(fitness);
best=x(I,:);

A = 0.6;
bestfit = zeros(maxgen,1);
for i = 1:maxgen
    cg_curve(i)=fmax; %当前值
    for j = i:populationSize
        for d = 1:dim
            Q(i) = Qmin+(Qmin-Qmax)*rand; %更新频率
            v(j,d) = v(j,d)+(x(j,d)-best(d))*Q(j); %更新速度
            % V型的转换函数，很多采用的是西格玛函数用于速度到位置的离散转换
            V_shaped_transfer_function=abs((2/pi)*atan((pi/2)*v(j,d))); 
            if rand<V_shaped_transfer_function % Equation 10 in the paper
                x(j,d)=~x(j,d);
            else
                x(j,d)=x(j,d);
            end
            if rand > r  % Pulse rate ()
                x(j,d)=best(d);
            end
        end
        Fnew = targetPackage(x(j,:)',1);
        if (Fnew >= fitness(j,:))&&(rand < A)
            x(j,:)=x(j,:);
            fitness(j,:) = Fnew;
        end
        if Fnew>=fmax
            best=x(j,:);
            fmax=Fnew;
        end
    end 
    bestfit(i,:) = fmax;
end

targetPackage(best',1)
plot(bestfit)


目标函数
function fitness = targetPackage(x,indNum)
%targetPackage 此处显示有关此函数的摘要
%   X：表示种群
volume=[95 75 23 73 50 22 6 57 89 98];        %物品体积
value=[89 59 19 43 100 72 44 16 7 64];          %物品价值
Weight=300;  %背包重量
% a = zeros(indNum,1);
% for i=1:indNum
%     a(i,1) = volume*x(:,i);
% end
%超过总重量的个体的适应度值都视为0
k = find(volume*x<Weight);
fitness=zeros(indNum,1);
for j=1:size(k,2)
    fitness(k(j),1) = value*x(:,k(j));
end
end

仿真结果

参考文献
[1] Mirjalili, Seyedali, Seyed Mohammad Mirjalili, and Xin-She Yang. 2014. “Binary Bat Algorithm.” Neural Computing and Applications 25 (3): 663–81.

参考资料：
https://blog.csdn.net/yake827/article/details/42651829
 一、在matlab中编程

因为我想生成16进制的数，所以加了一个dec2hex，加了之后生成的文件有点问题，因为这个时候生成的y是两列字符，不是数字，可能因为这个原因生成的文件莫名其妙多了一个空格，所以只能把加的逗号去掉。
二、问题
现在想想直接生成十进制数也不是不可以。
 
转载于:https://www.cnblogs.com/zlll/p/9732289.html

Polynomial : 多项式
InitialState：初始化状态。移位寄存器的初始内容。 可以将此属性指定为二进制标量，二进制向量或以’0x’开头的字符串，该字符串是二进制向量的十六进制表示形式。 作为二进制矢量，其长度必须比多项式的二进制矢量表示的长度小一。
ReflectInput：输入。一个布尔量，指定在进入移位寄存器之前是否应按字节对输入数据进行翻转。
ReflectRemainder: 一个布尔量，指定在输入数据完全通过移位寄存器后，是否应将二进制输出CRC校验和绕其中心翻转。
c r c . generator的理解：

Usage Example:
% Construct a CRC generator with a polynomial defined
% by x^4+x^3+x^2+x+1:
h = crc.generator([1 1 1 1 1]) 

% Construct a CRC generator with a polynomial defined
% by x^4+x^3+x^2+x+1, all-ones initial states, reflected
% input, and all-zeros final XOR value:
h = crc.generator('Polynomial', '0xF', 'InitialState', ...
'0xF', 'ReflectInput', true, 'FinalXOR', '0x0')

% Create a CRC-16 CRC generator, then use it to generate
% a checksum for the
% binary vector represented by the ASCII sequence '123456789'.
gen = crc.generator('Polynomial', '0x8005', ...
'ReflectInput', true, 'ReflectRemainder', true);
% The message below is an ASCII representation of ...
% the digits 1-9
msg = reshape(de2bi(49:57, 8, 'left-msb')', 72, 1);   % 将49：57这些数字转换为8行的2禁止数据，左位为最高位。然后再把数组变为9*8的 72行 1列数据

encoded = generate(gen, msg);

% Construct a CRC generator with a polynomial defined
% by x^3+x+1, with zero initial states,
% and with an all-ones final XOR value:
h = crc.generator('Polynomial', [1 0 1 1], ...
                   'InitialState', [0 0 0], ...
                   'FinalXOR', [1 1 1])

函数：de2bi（   把一个十进制数转换成一个字符串形式的二进制数）

具体参看 CRC在matlab中运用 篇博客

MATLAB遗传算法函数总结

 

种群表示和初始化函数 bs2rv:

二进制串到实值的转换 

Phen=bs2rv(Chrom,FieldD)               FieldD=[len, lb, ub, code, scale, lbin, ubin] 

code(i)=1为标准的二进制编码，code(i)=0为格雷编码 

scale(i)=0为算术刻度，scale(i)=1为对数刻度 

函数 crtbp:

创建初始种群 

[Chrom,Lind,BaseV]=crtbp(Nind,Lind)


[Chrom,Lind,BaseV]=crtbp(Nind,BaseV) 

[Chrom,Lind,BaseV]=crtbp(Nind,Lind,BaseV) 


Nind指定种群中个体的数量，Lind指定个体的长度 

函数 crtrp:

创建实值原始种群 

Chrom=crtrp(Nind,FieldDR) 


适应度计算函数 ranking:

基于排序的适应度分配（此函数是从最小化方向对个体进行排序的） 

FitV=ranking(ObjV) 

FitV=ranking(ObjV, RFun) 

FitV=ranking(ObjV, RFun, SUBPOP) 

Rfun(1)线性排序标量在[1 2]间为，非线性排序在[1 length(ObjV)-2] 

Rfun(2)指定排序方法，0为线性排序，1为非线性排序 

SUBPOP指明ObjV中子种群的数量，默认为1 


选择高级函数 select:

从种群中选择个体 

SelCh=select(SEL_F, Chrom, FitnV) 

SelCh=select(SEL_F, Chrom, FitnV, GGAP) 

SelCh=select(SEL_F, Chrom, FitnV, GGAP, SUBPOP) 


SEL_F是一字符串，为一低级选择函数名，如rws或sus 

GGAP指出了代沟，默认为1；也可大于1，允许子代数多于父代的数量 

rws: 轮盘赌选择 

NewChrIx=rws(FitnV, Nsel) 使用轮盘赌选择从一个种群中选择Nsel个个体 

NewChrIx 是为育种选择的个体的索引值 

sus:

随机遍历抽样 

NewChrIx=sus(FitnV, Nsel) 


交叉高级函数 recombin:

重组个体 

NewChrom=recombin(REC_F, Chrom) 

NewChrom=recombin(REC_F, Chrom, RecOpt) 

NewChrom=recombin(REC_F, Chrom, RecOpt, SUBPOP) 

REC_F是包含低级重组函数名的字符串，例如recdis,recint,reclin,xovdp, xovdprs, xovmp, xovsh, xovshrs, xovsp, xovsprs 

recdis:

离散重组 

NewChrom=recdis(OldChorm) 

recint:

中间重组 

NewChrom=recint(OldChorm) 

reclin:

线性重组 

NewChrom=reclin(OldChorm) 

xovdp:


两点交叉 


NewChrom=xovdp(OldChrom, XOVR) 



XOVR为交叉概率， 默认为0.7 

Xovdprs:

减少代理的两点交叉 

NewChrom=xovdprs(OldChrom, XOVR) 

Xovmp:


多点交叉 


NewChrom=xovmp(OldChrom, XOVR, Npt, Rs) 


Npt指明交叉点数， 0 洗牌交叉；1 单点交叉；2 两点交叉；

默认为0 


Rs指明使用减少代理， 0 不减少代理；1 减少代理；

默认为0 

Xovsh:


洗牌交叉 


NewChrom=xovsh(OldChrom, XOVR) 

Xovshrs:

减少代理的洗牌交叉 

NewChrom=xovshrs(OldChrom, XOVR) 

Xovsp:

单点交叉 

NewChrom=xovsp(OldChrom, XOVR) 

Xovsprs:

减少代理的单点交叉 

NewChrom=xovsprs(OldChrom, XOVR) 


变异高级函数 mutate:

个体的变异 

NewChorm=mutate(MUT_F, OldChorm, FieldDR) NewChorm=mutate(MUT_F, OldChorm, FieldDR, MutOpt) NewChorm=mutate(MUT_F, OldChorm, FieldDR, MutOpt, SUBPOP) MUT_F为包含低级变异函数的字符串，例如mut, mutbga, recmut 

mut:

离散变异算子 

NewChrom=mut(OldChorm, Pm) NewChrom=mut(OldChorm, Pm, BaseV) 

Pm为变异概率，默认为Pm=0.7/Lind 

mutbga:

实值种群的变异（遗传算法育种器的变异算子） NewChrom=mutbga(OldChorm, FieldDR) 

NewChrom=mubga(OldChorm, FieidDR, MutOpt) 

MutOpt(1)是在[ 0 1]间的重组概率的标量，默认为1 

MutOpt(2)是在[0 1]间的压缩重组范围的标量，默认为1（不压缩） 

recmut:

具有突变特征的线性重组 

NewChrom=recmut(OldChorm, FieldDR) 

NewChrom=recmut(OldChorm, FieidDR, MutOpt) 


重插入函数 reins:

重插入子群到种群 

Chorm=reins(Chorm, SelCh) 

Chorm=reins(Chorm, SelCh, SUBPOP) 

Chorm=reins(Chorm, SelCh, SUBPOP, InsOpt, ObjVch) 

[Chorm, ObjVch]=reins(Chorm, SelCh, SUBPOP, InsOpt, ObjVch, ObjVSel) 

InsOpt(1)指明用子代代替父代的选择方法，0为均匀选择，1为基于适应度的选择，默认为0 

InsOpt(2)指明在[0 1]间每个子种群中重插入的子代个体在整个子种群的中个体的比率，默认为1 


ObjVch包含Chorm中个体的目标值，对基于适应度的重插入是必需的 

ObjVSel包含Selch中个体的目标值，如子代数量大于重插入种群的子代数量是必需的 


其他函数矩阵复试函数 rep:

MatOut=rep(MatIn, REPN)

REPN为复制次数