二维粒子群算法的matlab源程序Word文档下载推荐.docx
《二维粒子群算法的matlab源程序Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《二维粒子群算法的matlab源程序Word文档下载推荐.docx（11页珍藏版）》请在冰豆网上搜索。
%重置随机数发生器状态
%当前种群的信息矩阵，逐代进化的群体%当前位置,随机初始化
%一个10*3的随机的矩阵（初始化所有粒子的所有维数的位置值），其中最后一列为
arr_present=ini_pos（pop_size,part_size）;
%初始化当前速度
%一个10*2的随机的矩阵（初始化所有粒子的所有维数的速度值）
v=ini_v（pop_size,part_size）;
%不是当前种群，可看作是一个外部的记忆体，存储每个粒子历史最优值（2维数值）：
根据适应度更新！
%注意：
pbest数组10*3
最后一列保存的是适应度
pbest=zeros（pop_size,part_size+1）;
%pbest：
粒子以前搜索到的最优值，最后一列包括这些值的适应度
%1*80保存每代的最优值
best_record=zeros（part_size+1,max_gen）;
%best_record数组：
记录每一代的最好的粒子的适应度
w_max=0.9;
w_max权系数最大值
w_min=0.2;
w_min权系数最小值
v_max=2;
最大速度,为粒子的范围宽度
c1=2;
学习因子1
c2=2;
学习因子2
%————————————————————————
计算原始种群的适应度,及初始化
%注意：
传入的第一个参数是当前的粒子群体，ini_fit函数计算每个粒子的适应度
%arr_present（:
end）是最后一列，保存每个粒子的适应值，是这样的！
xuan
arr_present（:
end）=ini_fit（arr_present,pop_size,part_size）;
%数组赋值，初始化每个粒子个体的历史最优值，以后会更新的
pbest=arr_present;
%初始化各个粒子最优值
%找到当前群体中适应度最小的（在最后一列中寻找），best_value
%改为max，表示关联度最大
[best_valuebest_index]=max（arr_present（:
end））;
%初始化全局最优，即适应度为全局最小的值，根据需要也可以选取为最大值
%唯一的全局最优值，是当前代所有粒子中最好的一个
gbest=arr_present（best_index,:
）;
%因为是多目标，因此这个-----------------
%只是示意性的画出3维的
%x=[-3:
0.01:
3];
%y=[-3:
%[X,Y]=meshgrid（x,y）;
%Z1=（-10）*exp（（-0.2）*sqrt（X^2+Y^2））;
%Z2=（abs（X））^0.8+abs（Y）^0.8+5*sin（X^3）+5*sin（Y^3）;
%z1=@（x,y）（-10）*exp（（-0.2）*sqrt（x^2+y^2））;
%z2=@（x,y）（abs（x））^0.8+abs（y）^0.8+5*sin（x^3）+5*sin（y^3）;
%ezmeshc（z1）;
gridon;
%ezmeshc（z2）;
%开始进化，直到最大代数截至
fori=1:
max_gen
%gridon;
%三维图象%多维图象是画不出来的
%ezmesh（z）,holdon,gridon;
%画出粒子群
%plot3（arr_present（:
1）,arr_present（:
2）,arr_present（:
3）,'
*'
）,holdoff;
%drawnow
%flush
%pause（0.01）;
w=w_max-（w_max-w_min）*i/max_gen;
%线形递减权重
%当前进化代数：
对于每个粒子进行更新和评价----->
>
forj=1:
pop_size
v（j,:
）=w.*v（j,:
）+c1.*rand.*（pbest（j,1:
part_size）-arr_present（j,1:
part_size））...
+c2.*rand.*（gbest（1:
part_size））;
粒子速度更新（a）
%判断v的大小，限制v的绝对值小于20———————————————————
fork=1:
part_size
ifabs（v（j,k））>
20
v（j,k）=20*rand（）;
end
%前几列是位置信息
arr_present（j,1:
part_size）=arr_present（j,1:
part_size）+v（j,1:
part_size）;
%粒子位置更新（b）
%最后一列是适应度
arr_present（j,end）=fitness（part_size,arr_present（j,1:
%适应度更新（保存至最后一列）
适应度评价与可行域限制
if（arr_present（j,end）>
pbest（j,end））&
（Region_in（arr_present（j,:
）,region））%根据条件更新pbest,如果是最小的值为小于号,相反则为大于号
pbest（j,:
）=arr_present（j,:
%更新个体的历史极值
%以下更新全局的极值
[bestbest_index]=max（arr_present（:
%如果是最小的值为min,相反则为max
ifbest>
gbest（end）&
（Region_in（arr_present（best_index,:
）,region））%如果当前最好的结果比以前的好，则更新最优值gbest,如果是最小的值为小于号,相反则为大于号
%全局的极值
%------------混沌---------------------------------
xlhd=gbest（1:
if
（1）
forp=1:
25%次数
%1生成
cxl=rand（1,part_size）;
ifcxl（j）==0
cxl（j）=0.1;
ifcxl（j）==0.25
cxl（j）=0.26;
ifcxl（j）==0.5
cxl（j）=0.51;
ifcxl（j）==0.75
cxl（j）=0.76;
ifcxl（j）==1
cxl（j）=0.9;
%2映射
al=-30;
bl=30;
rxl=al+（bl-al）*cxl;
%3搜索
bate=0.1;
xlhd=xlhd+bate*rxl;
iffitness（part_size,xlhd）>
gbest（end）
gbest（1:
part_size）=xlhd;
gbest（end）=fitness（part_size,xlhd）;
%4更新
forj=1:
cxl（j）=4*cxl（j）*（1-cxl（j））;
end
%-------------混沌--------------------------------
%当前代的最优粒子的适应度（取自）保存
best_record（:
i）=gbest;
%gbest：
一个行向量
pso=gbest;
%最优个体
display（gbest）;
figure;
plot（best_record（end,:
））;
%最优解与代数的进化关系图
best=zeros（part_size,max_gen）;
part_size-1
best（i,:
）=best_record（i,:
pareto1=zeros（1,max_gen）;
pareto2=zeros（1,max_gen）;
pareto1（i）=f1（part_size,best（:
i））;
pareto2（i）=f2（part_size,best（:
i=1:
max_gen;
%plot（i,pareto1（i）,'
r*'
i,pareto2（i）,'
g*'
plot（pareto1（i）,pareto2（i）,'
r+'
xlabel（'
f1'
ylabel（'
f2'
title（'
Pareto曲线'
%figure;
%plot（,f2（best_record）,）;
%movie2avi（F,'
pso_2D1.avi'
'
compression'
MSVC'
%子函数
%-------------------------------------------------------------------------
%返回随机的位置
functionini_present=ini_pos（pop_size,part_size）
ini_present=10*3*rand（pop_size,part_size+1）;
%初始化当前粒子位置,使其随机的分布在工作空间
%返回一个随机的矩阵，10*（2+1），最后一列将用来保存适应度
%返回随机的速度
functionini_velocity=ini_v（pop_size,part_size）
ini_velocity=20*（rand（pop_size,part_size））;
%初始化当前粒子速度,使其随机的分布在速度范围内
%判断是否处于范围内
functionflag=Region_in（pos_present,region）
[mn]=size（pos_present）;
%1*11
n返回解的维数10
flag=1;
n-1
flag=flag&
（pos_present（1,j）>
=region（j,1））&
（pos_present（1,j）<
=region（j,2））;
%初始化适应度
functionarr_fitness=ini_fit（pos_present,pop_size,part_size）
arr_fitness（k,1）=fitness（part_size,pos_present（k,1:
%计算原始种群的适应度
%***************************************************************************
计算适应度
functionfit=fitness（n,xp）
%需要求极值的函数,本例即peaks函数
%y0=[-85.4974,-29.9217];
%注意：
这是基准序列，也就是单个最优的极值
y0=[-9.9907,-7.7507];
%y0=[-39.6162,-18.4561];
%y0=[-86.8312,-29.9217];
y1=[f1（n,xp）,f2（n,xp）];
%n为粒子维数
fit=graydegree（2,y0,y1）;
%关联度在某种意义上就是适应度
%目标函数1
functionr=f1（n,x）
r=0;
r=r+（-10）*exp（（-0.2）*sqrt（x（i）^2+x（i+1）^2））;
%目标函数2
functionr=f2（n,x）
n
r=r+（abs（x（i）））^0.8+5*sin（x（i）^3）;
%约束函数1
functionr=g1（n,x）
%约束函数2
functionr=g2（n,x）
灰色关联度计算函数（越大相似性越好）
tn目标函数个数
x0基准序列（一组值）
x1贷检（一组值）
functiongama=graydegree（tn,y0,y1）
gama=0;
rou=0.5;
kesa=zeros（tn,1）;
m1=abs（y0
（1）-y1
（1））;
m2=abs（y0
（1）-y1
（1））;
tn
if（abs（y0（i）-y1（i））>
m2）%------------------应该取大于呢还是小于
m2=abs（y0（i）-y1（i））;
kesa（i）=（m1+rou*m2）/（abs（y0（i）-y1（i））+rou*m2）;
gama=gama+kesa（i）;
gama=gama/tn;
%可行解的判决函数
gn为约束条件的个数（暂时未用）
n为解（粒子）的维数
functionbool=feasible（x,n）
%fori=1:
gn
r=max（0,g1（n,x）,g2（n,x））;
%判断约束条件
%end
if（r>
0）
bool=0;
%不可行解
else
bool=1;
%可行解
我正在玩搜狐微博，快来“关注”我，了解我的最新动态吧。
升级会员 