1.4.3　主函數設計

通過上述分析，可以設置蜉蝣優化算法參數如下。

設置蜉蝣雌雄性種群數量pop為30，最大迭代次數maxIter為100，個體的維度dim為7（即x₁，x₂，x₃，x₄，x₅，x₆，x₇），個體上邊界ub =[3.6, 0.8, 28, 8.3,8.3, 3.9, 5.5]，個體下邊界lb=[2.6, 0.7, 17, 7.3, 7.3, 2.9, 5]。蜉蝣優化算法求解減速器設計問題的主函數main設計如下：

%% 基于蜉蝣優化算法的減速器設計
clc;clear all;close all;
%參數設定
pop = 30;%種群數量
dim = 7;%變量維度
ub = [3.6, 0.8, 28, 8.3, 8.3, 3.9, 5.5];%個體上邊界信息
lb = [2.6, 0.7, 17, 7.3, 7.3, 2.9, 5];%個體下邊界信息
maxIter = 100;%最大迭代次數
fobj = @(x) fun(x);%設置適應度函數為fun(x)
%蜉蝣優化算法求解問題
[Best_Pos,Best_fitness,IterCurve] = MOA(pop,dim,ub,lb,fobj,maxIter);
%繪制迭代曲線
figure
plot(IterCurve,'r-','linewidth',1.5);
grid on;%網格開
title('蜉蝣優化算法迭代曲線')
xlabel('迭代次數')
ylabel('適應度')
disp(['求解得到的x1為：',num2str(Best_Pos(1))]);
disp(['求解得到的x2為：',num2str(Best_Pos(2))]);
disp(['求解得到的x3為：',num2str(round(Best_Pos(3)))]);
disp(['求解得到的x4為：',num2str(Best_Pos(4))]);
disp(['求解得到的x5為：',num2str(Best_Pos(5))]);
disp(['求解得到的x6為：',num2str(Best_Pos(6))]);
disp(['求解得到的x7為：', num2str(Best_Pos(7))]);
disp(['最優解對應的函數值為：',num2str(Best_fitness)]);
%計算不滿足約束條件的個數
[fitness,g]=fun(Best_Pos);
n=sum(g>0);%約束的值大于0的個數
disp(['違反約束條件的個數',num2str(n)]);

程序運行結果如圖1.7所示。

圖1.7　程序運行結果

運行結果如下：

求解得到的x1為：3.5
求解得到的x2為：0.7
求解得到的x3為：17
求解得到的x4為：8.054
求解得到的x5為：7.9878
求解得到的x6為：3.3663
求解得到的x7為：5.2934
最優解對應的函數值為：3015.6084
違反約束條件的個數0

從收斂曲線上看，適應度函數值隨著迭代次數不斷減小，表明蜉蝣優化算法不斷地對參數進行優化。最后，在約束條件范圍內，得到了一組滿足約束條件的參數，對減速器的優化設計具有指導意義。