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。

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。

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 < Unit
    
    properties
    end
    
    methods
        function self = MFO_Unit()
        end
    end
    
end

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_Impl
    
    properties
        % 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
    methods
        function 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;
        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 = MFO_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];
                
                flame = MFO_Unit();
                % 随机初始化位置：rand(0,1).*(max-min)+min
                flame.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];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            
            update@Algorithm_Impl(self,iter)
            % 更新t
            self.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t
        function 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;
            end
            self.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id
                fi = 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;
            end
        end
        
        % 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_num
                self.flame_list(i).position = all_list(index(i)).position;
                self.flame_list(i).value = all_list(index(i)).value;
            end
        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_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
    methods
        function 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);
        end
    end 
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)]);