鲸鱼算法matlab程序

以下是一个简单的鲸鱼算法的 MATLAB 程序示例：

% 初始化
pop_size = 50; % 种群大小
max_iter = 100; % 最大迭代次数
dim = 30; % 变量维度

% 鲸鱼算法参数
a = 2; % 振幅缩放因子
b = 0.5; % 搜索范围缩放因子
A = 2*a*rand(pop_size,dim)-a; % 初始化鲸鱼位置
C = 2*rand(pop_size,dim); % 初始化鲸鱼运动速度
x_best = zeros(1,dim); % 初始化全局最佳解
f_best = Inf; % 初始化全局最优适应度

% 开始迭代
for t = 1:max_iter
    
    % 计算适应度值
    f = fitness(A);
    
    % 更新全局最优解
    [f_min, idx] = min(f);
    if f_min < f_best
        f_best = f_min;
        x_best = A(idx,:);
    end
    
    % 更新鲸鱼位置和速度
    for i = 1:pop_size
        r1 = rand(); % 随机数1
        r2 = rand(); % 随机数2
        A1 = b*r1*norm(x_best-A(i,:)); % 第一部分计算
        A2 = 2*r2; % 第二部分计算
        D = abs(C(i,:).*x_best-A(i,:)); % 第三部分计算
        C1 = C(i,:); % 备份速度
        C(i,:) = (C(i,:).*rand(1,dim)+A1)./D; % 更新速度
        A(i,:) = A(i,:) + (C(i,:)+C1)/2; % 更新位置
    end
    
end

% 输出结果
disp(['最优解：', num2str(x_best)]);
disp(['最优适应度值：', num2str(f_best)]);

% 适应度函数
function f = fitness(x)
    f = sum(x.^2,2);
end

在该示例中，我们使用了鲸鱼算法来寻找函数 $f(x) = \sum_{i=1}^{30} x_i^2$ 的最小值。程序中的变量 `pop_size`、`max_iter` 和 `dim` 分别表示种群大小、最大迭代次数和变量维度。`a` 和 `b` 是鲸鱼算法的参数，`A` 和 `C` 分别表示鲸鱼的位置和速度。在每次迭代中，我们计算适应度值 `f`，更新全局最优解 `x_best` 和 `f_best`，然后根据鲸鱼算法的公式更新鲸鱼的位置和速度。最终，我们输出找到的最优解和最优适应度值。

请注意，这只是一个非常简单的示例，可能需要进行更多的调整和优化才能适用于解决更复杂的问题。