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.docx](https://file1.bdocx.com/fileroot1/2022-10/12/a8d3ddfe-8781-4cc6-845f-1adea7c62a3a/a8d3ddfe-8781-4cc6-845f-1adea7c62a3a1.gif)
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