粒子群算法源程序.docx

1、粒子群算法源程序二维粒子群matlab源程序%function pso F = pso_2D()% FUNCTION PSO -USE Particle Swarm Optimization Algorithm% global present;% close all;clc;clear all;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

2、=zeros(part_size,pop_size*part_size);%xuanregion=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

3、_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

4、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1c2 = 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！xuanarr_present(:,end)= ini_fit( arr_present, pop_size, part_size );%数组赋

5、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_value best_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

6、=meshgrid(x,y);%Z1=(-10)*exp(-0.2)*sqrt(X2+Y2);%Z2=(abs(X)0.8+abs(Y)0.8+5*sin(X3)+5*sin(Y3);%z1=(x,y)(-10)*exp(-0.2)*sqrt(x2+y2);%z2=(x,y)(abs(x)0.8+abs(y)0.8+5*sin(x3)+5*sin(y3);%ezmeshc(z1);grid on;%ezmeshc(z2);grid on;%开始进化，直到最大代数截至for i=1:max_gen %grid on; %三维图象%多维图象是画不出来的 %ezmesh(z),hold on,gri

7、d on; %画出粒子群 %plot3(arr_present(:,1),arr_present(:,2),arr_present(:,3),*),hold off; %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- for j=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

8、_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 for k=1:part_size if abs(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_pre

9、sent(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 best best_index = max(arr_present(:,end); %如果是最小的值为min,相反则为max if bestgbest(end) & ( R

10、egion_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) for p=1:25 %次数 %1生成 cxl=rand(1,part_size); for j=1:part_size if cxl(j)=0 cxl(j)=0.1; end if cxl(j)=0.25 cxl(j)=0.26; end i

11、f cxl(j)=0.5 cxl(j)=0.51; end if cxl(j)=0.75 cxl(j)=0.76; end if cxl(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; if fitness(part_size,xlhd)gbest(end) gbest(1:part_size)=xlhd; gbest(end)=fitness(part_size,xlhd); end %4更新 for j=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