crow search

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin at quam at orci commodo hendrerit vitae nec eros. Vestibulum neque est, imperdiet nec tortor nec, tempor semper metus. Cras vel tempus velit, et accumsan nisi. Duis laoreet pretium ultricies. Curabitur rhoncus auctor nunc congue sodales. Sed posuere nisi ipsum, eget dignissim nunc dapibus eget. Aenean elementum Click me sollicitudin sapien ut sapien fermentum aliquet mollis. Curabitur ac quam orci sodales quam ut tempor. Hover me suspendisse, gravida in augue in, interdum bibendum dui. Suspendisse sit amet justo sit amet diam fringilla commodo. Praesent ac magna at metus malesuada tincidunt non ac arcu. Nunc gravida eu felis vel elementum. Vestibulum sodales quam ut tempor tempor. Donec sollicitudin sapien ut sapien fermentum, non ultricies nulla gravida.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin at quam at orci commodo hendrerit vitae nec eros. Vestibulum neque est, imperdiet nec tortor nec, tempor semper metus. Cras vel tempus velit, et accumsan nisi. Duis laoreet pretium ultricies. Curabitur rhoncus auctor nunc congue sodales. Sed posuere nisi ipsum, eget dignissim nunc dapibus eget. Aenean elementum Click me sollicitudin sapien ut sapien fermentum aliquet mollis. Curabitur ac quam orci sodales quam ut tempor. Hover me suspendisse, gravida in augue in, interdum bibendum dui. Suspendisse sit amet justo sit amet diam fringilla commodo. Praesent ac magna at metus malesuada tincidunt non ac arcu. Nunc gravida eu felis vel elementum. Vestibulum sodales quam ut tempor tempor. Donec sollicitudin sapien ut sapien fermentum, non ultricies nulla gravida.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin at quam at orci commodo hendrerit vitae nec eros. Vestibulum neque est, imperdiet nec tortor nec, tempor semper metus. Cras vel tempus velit, et accumsan nisi. Duis laoreet pretium ultricies. Curabitur rhoncus auctor nunc congue sodales. Sed posuere nisi ipsum, eget dignissim nunc dapibus eget. Aenean elementum Click me sollicitudin sapien ut sapien fermentum aliquet mollis. Curabitur ac quam orci sodales quam ut tempor. Hover me suspendisse, gravida in augue in, interdum bibendum dui. Suspendisse sit amet justo sit amet diam fringilla commodo. Praesent ac magna at metus malesuada tincidunt non ac arcu. Nunc gravida eu felis vel elementum. Vestibulum sodales quam ut tempor tempor. Donec sollicitudin sapien ut sapien fermentum, non ultricies nulla gravida.Lorem ipsum dolor sit amet, consectetur adipiscing elit. Proin at quam at orci commodo hendrerit vitae nec eros. Vestibulum neque est, imperdiet nec tortor nec, tempor semper metus. Cras vel tempus velit, et accumsan nisi. Duis laoreet pretium ultricies. Curabitur rhoncus auctor nunc congue sodales. Sed posuere nisi ipsum, eget dignissim nunc dapibus eget. Aenean elementum Click me sollicitudin sapien ut sapien fermentum aliquet mollis. Curabitur ac quam orci sodales quam ut tempor. Hover me suspendisse, gravida in augue in, interdum bibendum dui. Suspendisse sit amet justo sit amet diam fringilla commodo. Praesent ac magna at metus malesuada tincidunt non ac arcu. Nunc gravida eu felis vel elementum. Vestibulum sodales quam ut tempor tempor. Donec sollicitudin sapien ut sapien fermentum, non ultricies nulla gravida.

erdg

import math # ceil function import random # random Function import matplotlib.pyplot as plt import numpy # numpy operations def init(n, pd, l, u): # init the matrix problem x = [] for i in range(n): x.append([]) for j in range(pd): x[i].append(l – (l – u) * (random.random())) return x def fitness(xn, n, pd): # function for fitness calculation fitness = [] for i in range(n): fitness.append(0) for j in range(pd): fitness[i] = fitness[i] + pow(xn[(i, j)], 2) return fitness def randomArray(n): # function that return random array rd = [] for i in range(n): rd.append(int(math.ceil(n * random.random()) – 1)) return rd # variables initialization # pd = 10 # Problem dimension (number of decision variables) n = 20 # Flock (population) size ap = 0.1 # Awareness probability fl = 2 # Flight length (fl) l = -100 # Lower u = 100 # Uper x = numpy.matrix(init(n, pd, l, u)) xn = x.copy() ft = numpy.array(fitness(xn, n, pd)) mem = x.copy() # Memory initialization fit_mem = ft.copy() # Fitness of memory positions tmax = 1000 # Max numuber of iterations (itermax) ffit = numpy.array([]) # Best fit of each iteration # Iteration begin for t in range(tmax): num = numpy.array(randomArray(n)) # Generation of random candidate crows for following (chasing) xnew = numpy.empty((n, pd)) for i in range(n): if (random.random() > ap): for j in range(pd): xnew[(i, j)] = x[(i, j)] + fl * ((random.random()) * (mem[(num[i], j)] – x[(i, j)])) else: for j in range(pd): xnew[(i, j)] = l – (l – u) * random.random() xn = xnew.copy() ft = numpy.array(fitness(xn, n, pd)) # Function for fitness evaluation of new solutions # Update position and memory# for i in range(n): if (xnew[i].all() > l and xnew[i].all() < u): x[i] = xnew[i].copy() # Update position if (ft[i] < fit_mem[i]): mem[i] = xnew[i].copy() # Update memory fit_mem[i] = ft[i] ffit = numpy.append(ffit, numpy.amin(fit_mem)) # Best found value until iteration t print(numpy.sort(ffit, axis=0)) print(range(0, 1000)) plt.plot(ffit, range(0, 1000)) plt.show()

Comments

Write a Reply or Comment Cevabı iptal et