EDA365电子论坛网

标题: MATLAB粒子群优化算法实现（PSO） [打印本页]

作者: thinkfunny 时间: 2020-9-30 11:18
标题: MATLAB粒子群优化算法实现（PSO）

MATLAB代码：

%------初始格式化--------------------------------------------------
clear all;
clc;
format long;
%------给定初始化条件----------------------------------------------
c1=2; %学习因子1
c2=2; %学习因子2
w=0.7298; %惯性权重
MaxDT=200; %最大迭代次数
% D=2; %搜索空间维数（未知数个数）
N=20; %初始化群体个体数目
%eps=10^(-6); %设置精度(在已知最小值时候用)
Vmax=1;
Vmin=-1;
popmax=5;
popmin=-5;
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
for i=1:N
pop(i,：）=popmin+(popmax-popmin)*rand(1,2); %随机初始化位置
V(i,：）=rand(1,2); %随机初始化速度
fitness(i)=ackley(pop(i,：）);
end
%------先计算各个粒子的适应度，并初始化Pi和Pg----------------------
[fitnessgbest bestindex]=min(fitness);
gbest=pop(bestindex,：）;
pbest=pop;
fitnesspbest=fitness;
for i=1:MaxDT
for j=1:N
V(j,：）=w*V(j,：）+c1*rand*(pbest(j,：）-pop(j,：）)+c2*rand*(gbest-pop(j,：）);
V(j,find(V(j,：）>Vmax))=Vmax;
V(j,find(V(j,：）<Vmin))=Vmin;
pop(j,：）=pop(j,：）+V(j,：）;
pop(j,find(pop(j,：）>popmax))=popmax;
pop(j,find(pop(j,：）<popmin))=popmin;
% if rand>0.8
% k=ceil(2*rand);
% pop(j,k)=rand;
% end
fitness(j)=ackley(pop(j,：）);
if fitness(j)<fitnesspbest(j)
pbest(j,：）=pop(j,：）;
fitnesspbest(j)=fitness(j);
end
if fitness(j)<fitnessgbest
gbest=pop(j,：）;
fitnessgbest=fitness(j);
end
end
yy(i)=fitnessgbest;
end
%------最后给出计算结果
plot(yy)
title(['适应度曲线 ' '终止次数=' num2str(MaxDT)]);
xlabel('进化代数');
ylabel('适应度')
%------算法结束---DreamSun GL & HF-----------------------------------" i' V9 u" Z( |5 ?, f

优化的函数为ackley函数：

% ackley.m
% Ackley's function, from http://www.cs.vu.nl/~gusz/ecbook/slides/16
% and further shown at:
% http://clerc.maurice.free.fr/pso ... nuous_challenge.htm
%
% commonly used to test optimization/global minimization problems
%
% f(x)= [ 20 + e ...
% -20*exp(-0.2*sqrt((1/n)*sum(x.^2,2))) ...
% -exp((1/n)*sum(cos(2*pi*x),2))];
%
% dimension n = # of columns of input, x1, x2, ..., xn
% each row is processed independently,
% you can feed in matrices of timeXdim no prob
%
% example: cost = ackley([1,2,3;4,5,6])
function [out]=ackley(in)
% dimension is # of columns of input, x1, x2, ..., xn
n=length(in(1,：）);
x=in;
e=exp(1);
out = (20 + e ...
-20*exp(-0.2*sqrt((1/n).*sum(x.^2,2))) ...
-exp((1/n).*sum(cos(2*pi*x),2)));
return" {- d9 {4 t! N& K6 m7 m# Z/ }& G- p

函数图像：

其它代码：

clear;
clc;
format long;
%------给定初始化条件----------------------------------------------
c1=2; %学习因子1
c2=2; %学习因子2
w=0.7; %惯性权重
MaxDT=100; %最大迭代次数
D=1; %搜索空间维数（未知数个数）
M=30; %初始化群体个体数目
eps=10^(-6); %设置精度(在已知最小值时候用)
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
x=randn(M,D); %随机初始化位置
v=randn(M,D); %随机初始化速度
%------先计算各个粒子的适应度，并初始化p(i)和gbest--------------------
for i=1:M
p(i)=fitness(x(i,：）,D);
y(i,：）=x(i,：）;
end
gbest=x(1,：）; %gbest为全局最优
for i=2:M
if(fitness(x(i,：）,D)<fitness(gbest,D))
gbest=x(i,：）;
end
end
%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
for t=1:MaxDT
for i=1:M
v(i,：）=w*v(i,：）+c1*rand*(y(i,：）-x(i,：）)+c2*rand*(gbest-x(i,：）);
x(i,：）=x(i,：）+v(i,：）;
if fitness(x(i,：）,D)<p(i)
p(i)=fitness(x(i,：）,D);
y(i,：）=x(i,：）;
end
if p(i)<fitness(gbest,D)
gbest=y(i,：）;
end
end
end
%------显示计算结果
disp('*************************************************************')
disp('函数的全局最优位置为：')
Solution=gbest'
disp('最后得到的优化极值为：')
Result=fitness(gbest,D)
disp('*************************************************************')6 w8 l' Y' R: P) d" i3 O

作者: NNNei256 时间: 2020-9-30 13:15
MATLAB粒子群优化算法实现（PSO）

欢迎光临 EDA365电子论坛网 (https://bbs.eda365.com/)