matlab粒子群优化算法举例分析Word文档下载推荐.docx

1、 %将数据显示为长整形科学计数%-给定初始条条件-N=40; %初始化群体个数D=10; %初始化群体维数T=100; %初始化群体最迭代次数c11=2; %学习因子1c21=2; %学习因子2c12=1.5;c22=1.5;w=1.2; %惯性权重eps=10（-6）; %设置精度（在已知最小值的时候用）%-初始化种群个体（限定位置和速度）-x=zeros（N,D）; %x是位置，初始化位置空间（矩阵）v=zeros（N,D）; %v是速度，初始化速度空间（矩阵）for i=1:N for j=1:D x（i,j）=randn; %随机初始化位置，randn返回一个随机变化的符合正态分布的数

2、 v（i,j）=randn; %随机初始化速度 endend%-显示群位置-figure（1）for j=1:D if（rem（D,2）0） subplot（D+1）/2,2,j） else subplot（D/2,2,j） end plot（x（:,j）,b*）;grid on %b*表示颜色是绿的，用*显示在图上 xlabel（粒子 ylabel（初始位置 tInfo=strcat（第,char（j+48）,维 %strcat使括号里的东西连成字符串 if（j9） tInfo=strcat（,char（floor（j/10）+48）; %floor向负无穷方向取整char（rem（j,10

3、）+48, %rem 取余 title（tInfo）%-显示种群速度figure（2） plot（v（:grid on %是不是应该是v（:,j）初始速度,char（floor（j/10）+48）,维）;figure（3）%第一个图subplot（1,2,1）%-初始化种群个体（在此限定速度和位置）-x1=x;v1=v;%-初始化个体最优位置和最优值-p1=x1;pbest1=ones（N,1）; pbest1（i）=fitness（x1（i,:）,D）; %适应度函数%-初始化全局最优位置和最优值-g1=1000*ones（1,D）;gbest1=1000; if（pbest1（i）gbes

4、t1） g1=p1（i,: gbest1=pbest1（i）;gb1=ones（1,T）;%-进入主循环，按照公式依次迭代直到满足精度或者迭代次数-T if （fitness（x1（j,:）,D）pbest1（j） p1（j,:）=x1（j,: pbest1（j）=fitness（x1（j,: if（pbest1（j） g1=p1（j,: gbest1=pbest1（j）; v1（j,:）=w*v1（j,:）+c11*rand*（p1（j,:）-x1（j,:）+c21*rand*（g1-x1（j,:）; x1（j,:）+v1（j,: gb1（i）=gbest1;plot（gb1）TempStr

5、=sprintf（c1= %g ,c2=%g,c11,c21）;title（TempStr）;xlabel（迭代次数ylabel（适应度值%第二个图subplot（1,2,2）%-初始化种群个体（在此限定速度和位置）-x2=x;v2=v;%-初始化种群个体最有位置和 最优解-p2=x2;pbest2=ones（N,1）; pbest2（i）=fitness（x2（i,:%-初始化种全局最优位置和 最优解-g2=1000*ones（1,D）;gbest2=1000; if（pbest2（i）gbest2） g2=p2（i,: %最优位置 gbest2=pbest2（i）; %最优解gb2=one

6、s（1,T）; %T为迭代次数T=100%-进入主循环，按照公式依次迭代直到满足精度或者迭代次数- if （fitness（x2（j,:pbest2（j） %个体最优 p2（j,:）=x2（j,: pbest2（j）=fitness（x2（j,: if（pbest2（j）gbest2） %全局最优 g2=p2（j,: gbest2=pbest2（j）; v2（j,:）=w*v2（j,:）+c12*rand*（p2（j,:）-x2（j,:）+c22*rand*（g2-x2（j,: x2（j,:）+v2（j,: gb2（i）=gbest2; %每一代的最优解plot（gb2）,c12,c22）;程序2于对比 clc;c12=0;c22=2; %随机初始化位置grid on,char（floor（j/10）+48），char（rem（j,10）+48）,第,char（j+48）,char（floor（j/10）+48）,%-浸入主循环，按照公式依次迭代直到满足精度或者迭代次数-v1（j,:）+c21*rand*（g1-x1（j,: