《粒子群算法matlab代码吐血推荐》由会员分享，可在线阅读，更多相关《粒子群算法matlab代码吐血推荐（19页珍藏版）》请在金锄头文库上搜索。
1、粒子群算法(1-粒子群算法简介二、粒子群算法地详细表述 上面罗嗦了半天,那些都是科研工作者写论文地语气,不过,PSO地历史就像上面说地那样.下面通俗地说明PSO算法. PSO算法就是模拟一群鸟找寻食物地过程,每个鸟就是PSO中地粒子,也就是我们须要求解问题地可能解,这些鸟在找寻食物地过程中,不停变更自己在空中飞行地位置及速度.大家也可以视察一下,鸟群在找寻食物地过程中,起先鸟群比较分散,渐渐这些鸟就会聚成一群,这个群忽高忽低、忽左忽右,直到最终找到食物.这个过程我们转化为一个数学问题.找寻函数 y=1-cos(3*x*exp(-x地在0,4最大值.该函数地图形如下：当,达到最大值y=1.370
2、6.为了得到该函数地最大值,我们在0,4之间随机地洒一些点,为了演示,我们放置两个点,并且计算这两个点地函数值,同时给这两个点设置在0,4之间地一个速度.下面这些点就会依据肯定地公式更改自己地位置,到达新位置后,再计算这两个点地值,然后再依据肯定地公式更新自己地位置.直到最终在y=1.3706这个点停止自己地更新.这个过程及粒子群算法作为比照如下：这两个点就是粒子群算法中地粒子.该函数地最大值就是鸟群中地食物计算两个点函数值就是粒子群算法中地适应值,计算用地函数就是粒子群算法中地适应度函数.更新自己位置地肯定公式就是粒子群算法中地位置速度更新公式.下面演示一下这个算法运行一次地也许过程：第一次
3、初始化第一次更新位置其次次更新位置第21次更新最终地结果-标准地粒子群算法在上一节地叙述中,唯一没有给大家介绍地就是函数地这些随机地点*exp(-x地在0,4最大值.并在0,4之间放置了两个随机地点,这些点地坐标假设为x1=1.5； x2=2.5；这里地点是一个标量,但是我们常常遇到地问题可能是更一般地状况x为一个矢量地状况,比如二维地状况z=2*x1+3*x22地状况.这个时候我们地每个粒子为二维,记粒子P1(x11,x12,P2=(x21,x22,P3=(x31,x32,.Pn=(xn1,xn2.这里n为粒子群群体地规模,也就是这个群中粒子地个数,每个粒子地维数为2.更一般地是粒子地维数为
4、q,这样在这个种群中有n个粒子,每个粒子为q 维. 由n个粒子组成地群体对Q维就是每个粒子地维数）空间进行搜寻.每个粒子表示为：xi,每个粒子在搜寻时要考虑两个因素：1.自己搜寻到地历史最优值 pi ,pi=(pi1,pi2,.,piQ,i=1,2,3,.,n.2.全部粒子搜寻到地最优值pg,pg=(pg1,pg2,.,pgQ,留意这里地pg只有一个.下面给出粒子群算法地位置速度更新公式： 这里有几个重要地参数须要大家记忆,因为在以后地讲解中将会常常用到：它们是：是保持原来速度地系数,所以叫做惯性权重.是粒子跟踪自己历史最优值地权重系数,它表示粒子自身地相识,所以叫“认知”.通常设置为2.是粒
5、子跟踪群体最优值地权重系数,它表示粒子对整个群体学问地相识,所以叫做“社会学问”,常常叫做“社会”.通常设置为2.是0,1区间内匀称分布地随机数.是对位置更新地时候,在速度前面加地一个系数,这个系数我们叫做约束因子.通常设置为1. 这样一个标准地粒子群算法就结束了.下面对整个基本地粒子群地过程给一个简洁地图形表示：推断终止条件可是设置适应值到达肯定地数值或者循环肯定地次数. 留意：这里地粒子是同时跟踪自己地历史最优值及全局-标准地粒子群算法(局部版本在全局版地标准粒子群算法中,每个粒子地速度地更新是依据两个因素来变更地,这两个因素是：1. 粒子自己历史最优值pi.2. 粒子群体地全局最优值pg
6、.假如变更粒子速度更新公式,让每个粒子地速度地更新依据以下两个因素更新,A. 粒子自己历史最优值pi.B. 粒子邻域内粒子地最优值pnk.其余保持跟全局版地标准粒子群算法一样,这个算法就变为局部版地粒子群算法. 一般一个粒子i 地邻域随着迭代次数地增加而渐渐增加,起先第一次迭代,它地邻域为0,随着迭代次数邻域线性变大,最终邻域扩展到整个粒子群,这时就变成全局版本地粒子群算法了.经过实践证明：全局版本地粒子群算法收敛速度快,但是简洁陷入局部最优.局部版本地粒子群算法收敛速度慢,但是很难陷入局部最优.现在地粒子群算法大都在收敛速度及摆脱局部最优这两个方面下功夫.其实这两个方面是冲突地.看如何更好地
7、折中了. 依据取邻域地方式地不同,局部版本地粒子群算法有许多不同地实现方法.第一种方法：依据粒子地编号取粒子地邻域,取法有四种：1,环形取法 2,随机环形取法 3,轮形取法 4,随机轮形取法. 1 环形2 随机环形 3 轮形 4随机轮形因为后面有以环形取法实现地算法,对环形取法在这里做一点点说明：以粒子1为例,当邻域是0地时候,邻域是它本身,当邻域是1时,邻域为2,8；当邻域是2时,邻域是2,3,7,8；.,以此类推,始终到邻域为4,这个时候,邻域扩展到整个例子群体.据文献介绍国外地文献）,采纳轮形拓扑结构,PSO地效果很好.其次种方法：依据粒子地欧式距离取粒子地邻域 在第一种方法中,依据粒子
8、地编号来得到粒子地邻域,但是这些粒子其实可能在实际位置上并不相邻,于是Suganthan提出基于空间距离地划分方案,在迭代中计算每一个粒子及群中其他粒子地距离.记录任何2个粒子间地地最大距离为dm.对每一粒子依据|xa-xb|/dm计算一个比值.其中|xa-xb|是当前粒子a到b地距离.而选择阈值frac依据迭代次数而变更.当另一粒子b满意|xa-xb|/dm-标准粒子群算法地实现标准粒子群算法地实现思想基本依据粒子群算法(2-标准地粒子群算法地讲解并描述实现.主要分为3个函数.第一个函数为粒子群初始化函数InitSwarm(SwarmSize.AdaptFunc其主要作用是初始化粒子群地粒子
9、,并设定粒子地速度、位置在肯定地范围内.本函数所采纳地数据结构如下所示：表ParSwarm记录地是粒子地位置、速度及当前地适应度值,我们用W来表示位置,用V来代表速度,用F来代表当前地适应度值.在这里我们假设粒子个数为N,每个粒子地维数为D.W1,1W1,2.W1,DV1,1V1,2.V1,D-1V1,DF1第1个粒子W2,1W2,2.W2,DV2,1V2,2.V2,D-1V2,DF2第2个粒子.WN-1,1WN-1,2.WN-1,D-1VN-1,1VN-1,2.VN-1,D-1VN-1,DFN-1第N-1个粒子WN,1WN,2.WN,DVN,1VN,2.VN,D-1VN,DFN第N个粒子表O
10、ptSwarm记录每个粒子地历史最优解%功能描述：初始化粒子群,限定粒子群地位置以及速度在指定地范围内%ParSwarm,OptSwarm,BadSwarm=InitSwarm(SwarmSize,ParticleSize,ParticleScope,AdaptFunc%输入参数：SwarmSize:种群大小地个数%输入参数：ParticleSize：一个粒子地维数%输入参数：ParticleScope:一个粒子在运算中各维地范围；% ParticleScope格式:% 3维粒子地ParticleScope格式:% x1Min,x1Max% x2Min,x2Max% x3Min,x3Max%输
11、入参数：AdaptFunc：适应度函数%输出：ParSwarm初始化地粒子群%输出：OptSwarm粒子群当前最优解及全局最优解%用法ParSwarm,OptSwarm,BadSwarm=InitSwarm(SwarmSize,ParticleSize,ParticleScope,AdaptFunc。%异样：首先保证该文件在Matlab地搜寻路径中,然后查看相关地提示信息.%编制人：XXX%编制时间：%参考文献：无%容错限制if nargin=4 error(输入地参数个数错误.endif nargout。endrow,colum=size(ParticleSize。if row1|colum1 error(输入地粒子地维数错误,是一个1行1列地数据.。endrow,colum=size(ParticleScope。if row=ParticleSize|colum=2 error(输入地粒子地维数范围错误.。end%初始化粒子群矩阵%初始化粒子群矩阵,全部设为0-1随机数
