如何做花店网站搜索引擎seo关键词优化效果

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）。

1.代码实现

 别再让才华被埋没，别再让github 项目蒙尘！github star 请点击

GitHub 在线专业服务直通车GitHub赋能精灵 - 艾米莉，立即加入这场席卷全球开发者的星光革命！若你有快速提升github Star github 加星数的需求，访问taimili.com还可解锁更多专属服务。现在转发邀请好友组队，在艾米莉平台解锁神秘流量加成，让我们携手点亮开源世界的璀璨星空，实现GitHub star项目涨星的无限可能！

分割等和子集

不了解飞蛾扑火算法可以先看看优化算法笔记（二十五）飞蛾扑火算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。

文件名	描述
..\optimization algorithm\frame\Unit.m	个体
..\optimization algorithm\frame\Algorithm_Impl.m	算法主体

以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。

文件名	描述
..\optimization algorithm\frame\Get_Functions_details.m	测试函数，求值用
..\optimization algorithm\frame\func_plot.m	函数图像，画图用

飞蛾扑火算法的个体没有独有属性。
飞蛾扑火算法个体
文件名：.. \optimization algorithm\algorithm_moth_flame\MFO_Unit.m

% 飞蛾扑火算法个体
classdef MFO_Unit < Unitpropertiesendmethodsfunction self = MFO_Unit()endendend

飞蛾扑火算法算法主体
文件名：..\optimization algorithm\algorithm_moth_flame\MFO_Base.m

% 飞蛾扑火算法
classdef MFO_Base  < Algorithm_Implproperties% 算法名称name = 'MFO';% 飞蛾数量flame_num;% 火焰列表，已有的unit_list为飞蛾列表flame_list=[];t = -1;end% 外部可调用的方法methodsfunction self = MFO_Base(dim,size,iter_max,range_min_list,range_max_list)% 调用父类构造函数self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);self.name ='MFO';% 初始化每个飞蛾一个火焰self.flame_num = size;endend% 继承重写父类的方法methods (Access = protected)% 初始化种群function init(self)init@Algorithm_Impl(self)%初始化种群for i = 1:self.sizeunit = MFO_Unit();% 随机初始化位置：rand(0,1).*(max-min)+minunit.position = unifrnd(self.range_min_list,self.range_max_list);% 计算适应度值unit.value = self.cal_fitfunction(unit.position);% 将个体加入群体数组self.unit_list = [self.unit_list,unit];flame = MFO_Unit();% 随机初始化位置：rand(0,1).*(max-min)+minflame.position = unifrnd(self.range_min_list,self.range_max_list);% 计算适应度值flame.value = self.cal_fitfunction(flame.position);% 将个体加入群体数组self.flame_list = [self.flame_list,flame];endend% 每一代的更新function update(self,iter)update@Algorithm_Impl(self,iter)% 更新tself.update_t(iter);% 更新火焰数量self.update_flame_num(iter);% 更新飞蛾位置self.update_moth();% 更新火焰位置self.update_flame();end% 更新全局变量tfunction update_t(self,iter)min_t = -2.0;max_t = -1.0;self.t = max_t - (max_t -min_t)*iter/self.iter_max;end% 更新全局变量，火焰数量function update_flame_num(self,iter)num = floor(self.size-self.size*iter/self.iter_max);if(num<=0)num = 1;endself.flame_num = num;end% 更新飞蛾为位置function update_moth(self)for i = 1:self.size% 随机选择火焰idfi = randperm(self.flame_num,1);moth = self.unit_list(i);flame = self.flame_list(fi);r = unifrnd(self.t,1,1,self.dim);new_pos = flame.position + abs(moth.position - flame.position).*exp(r).*cos(2*pi*r);% 越界检查new_pos = self.get_out_bound_value(new_pos);new_value = self.cal_fitfunction(new_pos);self.unit_list(i).value = new_value;self.unit_list(i).position = new_pos;endend% 更新火焰位置function update_flame(self)% 将火焰和飞蛾从优到劣排序all_list = [self.flame_list,self.unit_list,];[value,index] = sort([all_list.value],'descend');% 取较优的部分为火焰for i = 1:self.flame_numself.flame_list(i).position = all_list(index(i)).position;self.flame_list(i).value = all_list(index(i)).value;endend% 获取当前最优个体的idfunction best_id=get_best_id(self)% 求最大值则降序排列[value,index] = sort([self.unit_list.value],'descend');best_id = index(1);endend
end

文件名：..\optimization algorithm\algorithm_moth_flame\MFO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用MFO_Base，这里为了命名一致。

% 飞蛾扑火算法实现
classdef MFO_Impl < MFO_Base% 外部可调用的方法methodsfunction self = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list)% 调用父类构造函数设置参数self@MFO_Base(dim,size,iter_max,range_min_list,range_max_list);endend 
end

2.测试

测试F1
文件名：..\optimization algorithm\algorithm_moth_flame\Test.m

%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;%% 添加目录
% 将上级目录中的frame文件夹加入路径
addpath('../frame')%% 选择测试函数
Function_name='F1';
%[最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim).*ub;
% 取值范围下界
range_min_list = ones(1,dim).*lb;% 实例化飞蛾扑火算法类
base = MFO_Impl(dim,size,iter_max,range_min_list,range_max_list);
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction = fobj;
% 运行
base.run();
disp(base.cal_fit_num);%% 绘制图像
figure('Position',[500 500 660 290])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%Draw objective space
subplot(1,2,2);
% 绘制曲线，由于算法是求最大值，适应度函数为求最小值，故乘了-1，此时去掉-1
semilogy((base.value_best_history),'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);