目录
1.粒子群的自己写的代码
1.粒子群的自己写的代码
c1:个体学习因子,也称为个体加速因子。
惯性权重w一般取0.9-1.2较为合适,一般取0.9。
%% 粒子群算法PSO: 求解函数y = 11*sin(x) + 7*cos(5*x)在[-3,3]内的最大值(动画演示) clear; clc %% 绘制函数的图形 x = -3:0.01:3; y = 11*sin(x) + 7*cos(5*x); figure(1) plot(x,y,'b-') title('y = 11*sin(x) + 7*cos(5*x)') hold on % 不关闭图形,继续在上面画图 %% 粒子群算法中的预设参数(参数的设置不是固定的,可以适当修改) n = 10; % 粒子数量 narvs = 1; % 变量个数 c1 = 2; % 每个粒子的个体学习因子,也称为个体加速常数 c2 = 2; % 每个粒子的社会学习因子,也称为社会加速常数 w = 0.9; % 惯性权重 K = 50; % 迭代的次数 vmax = 1.2; % 粒子的最大速度 x_lb = -3; % x的下界 x_ub = 3; % x的上界 %% 初始化粒子的位置和速度 x = zeros(n,narvs); for i = 1: narvs x(:,i) = x_lb(i) + (x_ub(i)-x_lb(i))*rand(n,1); % 随机初始化粒子所在的位置在定义域内 end v = -vmax + 2*vmax .* rand(n,narvs); % 随机初始化粒子的速度(这里我们设置为[-vmax,vmax]) % 注意:这种写法只支持2017及之后的Matlab,老版本的同学请自己使用repmat函数将向量扩充为矩阵后再运算。 % 即:v = -repmat(vmax, n, 1) + 2*repmat(vmax, n, 1) .* rand(n,narvs); % 注意:x的初始化也可以用一行写出来: x = x_lb + (x_ub-x_lb).*rand(n,narvs) ,原理和v的计算一样 % 老版本同学可以用x = repmat(x_lb, n, 1) + repmat((x_ub-x_lb), n, 1).*rand(n,narvs) %% 计算适应度 fit = zeros(n,1); % 初始化这n个粒子的适应度全为0 for i = 1:n % 循环整个粒子群,计算每一个粒子的适应度 fit(i) = Obj_fun1(x(i,:)); % 调用Obj_fun1函数来计算适应度(这里写成x(i,:)主要是为了和以后遇到的多元函数互通) end pbest = x; % 初始化这n个粒子迄今为止找到的最佳位置(是一个n*narvs的向量) ind = find(fit == max(fit), 1); % 找到适应度最大的那个粒子的下标 gbest = x(ind,:); % 定义所有粒子迄今为止找到的最佳位置(是一个1*narvs的向量) %% 在图上标上这n个粒子的位置用于演示 h = scatter(x,fit,80,'*r'); % scatter是绘制二维散点图的函数,80是我设置的散点显示的大小(这里返回h是为了得到图形的句柄,未来我们对其位置进行更新) %% 迭代K次来更新速度与位置 fitnessbest = ones(K,1); % 初始化每次迭代得到的最佳的适应度 for d = 1:K % 开始迭代,一共迭代K次 for i = 1:n % 依次更新第i个粒子的速度与位置 v(i,:) = w*v(i,:) + c1*rand(1)*(pbest(i,:) - x(i,:)) + c2*rand(1)*(gbest - x(i,:)); % 更新第i个粒子的速度 % 如果粒子的速度超过了最大速度限制,就对其进行调整 for j = 1: narvs if v(i,j) < -vmax(j) v(i,j) = -vmax(j); elseif v(i,j) > vmax(j) v(i,j) = vmax(j); end end x(i,:) = x(i,:) + v(i,:); % 更新第i个粒子的位置 % 如果粒子的位置超出了定义域,就对其进行调整 for j = 1: narvs if x(i,j) < x_lb(j) x(i,j) = x_lb(j); elseif x(i,j) > x_ub(j) x(i,j) = x_ub(j); end end fit(i) = Obj_fun1(x(i,:)); % 重新计算第i个粒子的适应度 if fit(i) > Obj_fun1(pbest(i,:)) % 如果第i个粒子的适应度大于这个粒子迄今为止找到的最佳位置对应的适应度 pbest(i,:) = x(i,:); % 那就更新第i个粒子迄今为止找到的最佳位置 end if fit(i) > Obj_fun1(gbest) % 如果第i个粒子的适应度大于所有的粒子迄今为止找到的最佳位置对应的适应度 gbest = pbest(i,:); % 那就更新所有粒子迄今为止找到的最佳位置 end end fitnessbest(d) = Obj_fun1(gbest); % 更新第d次迭代得到的最佳的适应度 pause(0.1) % 暂停0.1s h.XData = x; % 更新散点图句柄的x轴的数据(此时粒子的位置在图上发生了变化) h.YData = fit; % 更新散点图句柄的y轴的数据(此时粒子的位置在图上发生了变化) end figure(2) plot(fitnessbest) % 绘制出每次迭代最佳适应度的变化图 xlabel('迭代次数'); disp('最佳的位置是:'); disp(gbest) disp('此时最优值是:'); disp(Obj_fun1(gbest))
2.Matlab中自带的粒子群算法
2014b之后才推出
代码实现
求解函数y = x1^2+x2^2-x1*x2-10*x1-4*x2+60在[-15,15]内的最小值(最小值为8)
%% 求解函数y = x1^2+x2^2-x1*x2-10*x1-4*x2+60在[-15,15]内的最小值(最小值为8) clc;clear all; %% 首先定义内联函数 fun=@(x) x(1)^2+x(2)^2-x(1)*x(2)-10*x(1)-4*x(2)+60 narvs = 2; % 变量个数 x_lb = [-15 -15]; % x的下界(长度等于变量的个数,每个变量对应一个下界约束) x_ub = [15 15]; % x的上界 [x,fval,exitflag,output] = particleswarm(fun, narvs, x_lb, x_ub)
结果为
x =
8.0000 6.0000
fval =
8.0000
提示:自带的粒子群算法在求解精度和求解速度上都比,自己写的好很多。