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

不了解萤火虫算法可以先看看优化算法笔记（十）萤火虫算法
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。

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。

萤火虫算法的个体没有独有属性。
萤火虫算法个体
文件名：..\optimization algorithm\algorithm_firefly\FA_Unit.m

% 萤火虫算法个体
classdef FA_Unit < Unit
    
    properties
    end
    
    methods
        function self = FA_Unit()
        end
    end
    
end

萤火虫算法主体
文件名：..\optimization algorithm\algorithm_firefly\FA_Base.m

% 萤火虫算法
classdef FA_Base  < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'FA';
        % 步长系数
        alpha = 0.97;
        % beta最大值
        beta_max = 1.0;
        % beta最小值
        beta_min = 0.2;
        gamma = 1;
    end
    
    % 外部可调用的方法
    methods
        function self = FA_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 ='FA';
        end
    end
    
    % 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.size
                unit = FA_Unit();
                % 随机初始化位置：rand(0,1).*(max-min)+min
                unit.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];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            
            update@Algorithm_Impl(self,iter)
            self.update_position(iter);
        end     
        
        % 更新位置，levy飞行
        function update_position(self,iter)
            best_id = self.get_best_id();
            for i = 1:self.size
                if(i == best_id)
                    % 是最优个体更新
                    new_pos = self.unit_list(i).position+normrnd(0,0.5,1 ,self.dim);
                    new_pos = self.get_out_bound_value(new_pos);
                    new_value = self.cal_fitfunction(new_pos);
                    % 优于当前值才移动
                    if(new_value > self.unit_list(i).value)
                        self.unit_list(i).value = new_value;
                        self.unit_list(i).position = new_pos;
                    end
                else
                    % 不是最优个体更新
                    self.move_to_goal(iter,i);
                end
            end
        end
        
        % 当前个体向着优于自己的个体飞行
        function move_to_goal(self,iter,id)
            best_id = self.get_best_id();
            % 计算当前步长系数
            alpha_cur = self.alpha^iter;
            for i = 1:self.size
                % 目标不是自己和最优个体才计算
                if(id ~= best_id && i~=id)
                    if(self.unit_list(i).value>self.unit_list(id).value)
                        % 计算自己与目标之间的距离的平方
                        distance_2 = sum((self.unit_list(id).position-self.unit_list(i).position).^2);
                        % 计算法Beta
                        beta = (self.beta_max-self.beta_min)*exp(-distance_2*self.gamma) + self.beta_min;
                        % 公式：x_new =
                        % x_id+beta*(x_i-x_id)+alpha*rand(-0.5,0.5)*(range_max-range_min)
                        new_pos = self.unit_list(id).position+beta*(self.unit_list(i).position-self.unit_list(id).position)+alpha_cur*unifrnd(-0.5,0.5,1,self.dim).*(self.range_max_list-self.range_min_list);
                        self.unit_list(id).position = self.get_out_bound_value(new_pos);
                    end
                end
            end
            new_value = self.cal_fitfunction(self.unit_list(id).position);
            self.unit_list(id).value = new_value;
        end
        
        % 获取当前最优个体的id
        function 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);
        end
        
    end
end

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

% 萤火虫算法实现
classdef FA_Impl < FA_Base
   
    % 外部可调用的方法
    methods
        function self = FA_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@FA_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2.测试

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

%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;

%% 添加框架路径
% 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;

% 实例化算法类
base = FA_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();

%% 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
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)]);