粒子群算法源程序.docx
《粒子群算法源程序.docx》由会员分享，可在线阅读，更多相关《粒子群算法源程序.docx（16页珍藏版）》请在冰豆网上搜索。
粒子群算法源程序
二维粒子群matlab源程序
%function[psoF]=pso_2D（）
%FUNCTIONPSO --------USEParticleSwarmOptimizationAlgorithm
%globalpresent;
%closeall;
clc;
clearall;
pop_size=10; % pop_size 种群大小 ///粒子数量
part_size=2; % part_size 粒子大小 ///粒子的维数
gbest=zeros（1,part_size+1）; % gbest 当前搜索到的最小的值
max_gen=200; % max_gen 最大迭代次数
%best=zeros（part_size,pop_size*part_size）;%xuan
region=zeros（part_size,2）; % 设定搜索空间范围->解空间
region=10*[-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3];% 每一维设定不同范围（称之为解空间，不是可行域空间）
rand（'state',sum（100*clock））; % 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:
0.01:
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）;gridon;
%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）-arr_present（j,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
rand（'state',sum（100*clock））;
v（j,k）=20*rand（）;
end
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:
part_size））;% 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
end
end
% 以下更新全局的极值
[bestbest_index]=max（arr_present（:
end））; % 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
gbest=arr_present（best_index,:
）;% 全局的极值
end
%------------混沌---------------------------------
xlhd=gbest（1:
part_size）;
if
（1）
forp=1:
25%次数
%1生成
cxl=rand（1,part_size）;
forj=1:
part_size
ifcxl（j）==0
cxl（j）=0.1;
end
ifcxl（j）==0.25
cxl（j）=0.26;
end
ifcxl（j）==0.5
cxl（j）=0.51;
end
ifcxl（j）==0.75
cxl（j）=0.76;
end
ifcxl（j）==1
cxl（j）=0.9;
end
end
%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）;
end
%4更新
forj=1:
part_size
cxl（j）=4*cxl（j）*（1-cxl（j））;
end
end
end
%-------------混沌--------------------------------
%当前代的最优粒子的适应度（取自）保存
best_record
升级会员 