1.编写框架的目的

在优化算法笔记（一）优化算法的介绍中，已经介绍过了优化算法的基本结构。大多数优化算法的结构都是十分相似的。
　　实现单个算法时，我们可能不需要什么框架。但是我们需要算法之间的对比，免不了需要实现多个算法。
　　由于优化算法之间的结构大致相同，所以我们可以将其相同的部分或者模块抽离出来，形成公共的部分，我们只需要关注每一个算法自身独特的部分即可。
　　为了实现公共部分的抽离，我们需要用到面向对象的思想。在matlab中使用类（classdef）来定义一个基础类，其中编写公共代码，在其他类中只需继承基础类并实现自身独有的方法即可。

2．优化算法公共部分

将优化算法进行抽象可以得到三个部分：种群（个体），规则，环境。
　　其中种群即优化算法中个体组成的种群，规则则是各个优化算法中的算子，环境为我们需要求解的适应度环境。优化算法也可以描述成：在种群中求解在一定规则下最适应目标环境的个体。

具体实现时，我们需要实现的是
（1）个体（种群为个体的列表）
（2）规则（优化算法流程）

2.1个体

各算法中个体的差异其实还是挺大的，不过个体的公共属性比较简单只有两个
（1）位置：适应度函数的输入。
（2）值：适应度函数的值。

2.2 规则

规则其实就是算法的主题，算法的执行过程。每个算法的执行过程必然不一样（一样那就是同一个算法了）。但是算法的执行流程还是有很多相同的部分的。

（1）初始化：初始化个体，一般是在解空间内随机初始化。
（2）循环迭代：在最大迭代次数内执行指定步骤
（3）记录：记录每代的最优解，最优值

3．实现

下面是完整的代码，需要自己动手组成框架。
总目录:../optimization algorithm
框架目录:../optimization algorithm/frame
框架文件：

文件内容：
Unit.m

% 个体基类 classdef Unit properties % 个体的位置 position % 个体的适应度值 value end methods function self = Unit() end end end

Algorithm_Impl.m

% 优化算法基类 classdef Algorithm_Impl < handle properties %当前最优位置 position_best; %当前最优适应度 value_best; %历史最优适应度 value_best_history; %历史最优位置 position_best_history; %是否为求最大值,默认为是 is_cal_max; %适应度函数，需要单独传入 fitfunction; % 调用适应度函数次数 cal_fit_num = 0; end properties(Access = protected) %维度 dim; %种群中个体的数量 size; %最大迭代次数 iter_max; %解空间下界 range_min_list; %解空间上界 range_max_list; %种群列表 unit_list; end methods % 运行，调用入口 function run(self) tic self.init() self.iteration() toc disp(['运行时间: ',num2str(toc)]); end end methods (Access = protected) % 构造函数 function self = Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list) self.dim =dim; self.size = size; self.iter_max = iter_max; self.range_min_list = range_min_list; self.range_max_list = range_max_list; %默认为求最大值 self.is_cal_max = true; end % 初始化 function init(self) self.position_best=zeros(1,self.dim); self.value_best_history=[]; self.position_best_history=[]; %设置初始最优值，由于是求最大值，所以设置了最大浮点数的负值 self.value_best = -realmax('double'); end % 开始迭代 function iteration(self) for iter = 1:self.iter_max self.update(iter) end end % 处理一次迭代 function update(self,iter) % 记录最优值 for i = 1:self.size if(self.unit_list(i).value>self.value_best) self.value_best = self.unit_list(i).value; self.position_best = self.unit_list(i).position; end end disp(['第' num2str(iter) '代']); if(self.is_cal_max) self.value_best_history(end+1) = self.value_best; disp(['最优值=' num2str(self.value_best)]); else self.value_best_history(end+1) = -self.value_best; disp(['最优值=' num2str(-self.value_best)]); end self.position_best_history = [self.position_best_history;self.position_best]; disp(['最优解=' num2str(self.position_best)]); end function value = cal_fitfunction(self,position) if(isempty(self.fitfunction)) value = 0; else % 如果适应度函数不为空则返回适应度值 if(self.is_cal_max) value = self.fitfunction(position); else value = -self.fitfunction(position); end end self.cal_fit_num = self.cal_fit_num+1; end % 越界检查,超出边界则停留在边界上 function s=get_out_bound_value(self,position,min_list,max_list) if(~exist('min_list','var')) min_list = self.range_min_list; end if(~exist('max_list','var')) max_list = self.range_max_list; end % Apply the lower bound vector position_tmp=position; I=position_tmp<min_list; position_tmp(I)=min_list(I); % Apply the upper bound vector J=position_tmp>max_list; position_tmp(J)=max_list(J); % Update this new move s=position_tmp; end % 越界检查,超出边界则在解空间内随机初始化 function s=get_out_bound_value_rand(self,position,min_list,max_list) if(~exist('min_list','var')) min_list = self.range_min_list; end if(~exist('max_list','var')) max_list = self.range_max_list; end position_rand = unifrnd(self.range_min_list,self.range_max_list); % Apply the lower bound vector position_tmp=position; I=position_tmp<min_list; position_tmp(I)=position_rand(I); % Apply the upper bound vector J=position_tmp>max_list; position_tmp(J)=position_rand(J); % Update this new move s=position_tmp; end end events end end

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）。

4.测试（bushi）

这里只是实现了优化算法框架的公共部分，这还不是一个完整的优化算法，我们无法使用它来求解，在下一篇，在框架的基础上实现 粒子群算法。