优化算法matlab实现（二）框架编写

在优化算法笔记（一）优化算法的介绍中，已经介绍过了优化算法的基本结构。大多数优化算法的结构都是十分相似的。
　　实现单个算法时，我们可能不需要什么框架。但是我们需要算法之间的对比，免不了需要实现多个算法。
　　由于优化算法之间的结构大致相同，所以我们可以将其相同的部分或者模块抽离出来，形成公共的部分，我们只需要关注每一个算法自身独特的部分即可。
　　为了实现公共部分的抽离，我们需要用到面向对象的思想。在matlab中使用类（classdef）来定义一个基础类，其中编写公共代码，在其他类中只需继承基础类并实现自身独有的方法即可。

将优化算法进行抽象可以得到三个部分：种群（个体），规则，环境。
　　其中种群即优化算法中个体组成的种群，规则则是各个优化算法中的算子，环境为我们需要求解的适应度环境。优化算法也可以描述成：在种群中求解在一定规则下最适应目标环境的个体。

具体实现时，我们需要实现的是
（1）个体（种群为个体的列表）
（2）规则（优化算法流程）

各算法中个体的差异其实还是挺大的，不过个体的公共属性比较简单只有两个
（1）位置：适应度函数的输入。
（2）值：适应度函数的值。

规则其实就是算法的主题，算法的执行过程。每个算法的执行过程必然不一样（一样那就是同一个算法了）。但是算法的执行流程还是有很多相同的部分的。

（1）初始化：初始化个体，一般是在解空间内随机初始化。
（2）循环迭代：在最大迭代次数内执行指定步骤
（3）记录：记录每代的最优解，最优值

下面是完整的代码，需要自己动手组成框架。
总目录:https://www.jianshu.com/optimization algorithm
框架目录:https://www.jianshu.com/optimization algorithm/frame
框架文件：

文件内容：
Unit.m

Algorithm_Impl.m

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）。

这里只是实现了优化算法框架的公共部分，这还不是一个完整的优化算法，我们无法使用它来求解，在下一篇，在框架的基础上实现 粒子群算法。