|
《智能优化算法及其MATLAB实例》系列。
理论
1995年，美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出了粒子群算法（Particle Swarm Optimization，PSO），该算法的提出是受对鸟类群体行为进行建模与仿真的研究结果的启发。
粒子群优化算法通过个体间的协作与竞争，实现复杂空间最优解的搜索，将群体中的个体视为D维空间中的粒子，该粒子以一定的速度在解空间运动，并向自身历史最佳位置Pbest和邻域历史最佳位置gbest聚集，实现对候选解的进化。
粒子群优化算法的每个粒子都在不停搜索，并且其搜索行为不仅受到其他个体的影响，还受到自身经验的引导。
源码
%%%%%%%%%%%%% 粒子群算法求函数极值 %%%%%%%%%%%%%
clear;clc;
N = 100; % 群体例子个数
D = 2; % 粒子维度
T = 200; % 最大迭代次数
c1 = 1.5; % 学习因子1
c2 = 1.5; % 学习因子2
Wmax = 0.8; % 惯性权重最大值
Wmin = 0.4; % 惯性权重最小值
Xmax = 4; % 位置最大值
Xmin = -4; % 位置最小值
Vmax = 1; % 速度最大值
Vmin = -1; % 速度最小值
%%%%%%%%%% 初始化种群个体（限定位置和速度） %%%%%%%%%
x = rand(N, D)*(Xmax - Xmin) + Xmin;
v = rand(N, D)*(Vmax - Vmin) + Vmin;
%%%%%%%%%% 初始化个体最优位置和最优值 %%%%%%%%%
p = x;
pbest = ones(N, 1);
for i = 1:N
pbest(i) = func2(x(i, :));
end
%%%%%%%%%% 初始化全局最优位置和最优值 %%%%%%%%%
g = ones(1, D);
gbest = inf;
for i = 1:N
if pbest(i) < gbest
g = p(i, :);
gbest = pbest(i);
end
end
gb = ones(1, T);
%%%%%%%%%% 按照公式依次迭代直到满足精度或者迭代次数 %%%%%%%%%
for i = 1:T
for j = 1:N
%%%%%%%%%% 更新个体最优位置和最优值 %%%%%%%%%
if func2(x(j, :)) < pbest(j)
p(j, :) = x(j, :);
pbest(j) = func2(x(j, :));
end
%%%%%%%%%% 更新全局最优位置和最优值 %%%%%%%%%
if pbest(j) < gbest
g = p(j, :);
gbest = pbest(j);
end
%%%%%%%%%% 动态计算惯性权重值 %%%%%%%%%
w = Wmax -(Wmax - Wmin)*i/T;
%%%%%%%%%% 更新位置和速度值 %%%%%%%%%
v(j, :) = w*v(j, :) + c1*rand*(p(j, :) - x(j, :)) + c2*rand*(g - x(j, :));
x(j, :) = x(j, :) + v(j, :);
%%%%%%%%%% 边界条件处理 %%%%%%%%%
for ii = 1:D
if (v(j, ii) > Vmax) || (v(j, ii) < Vmin)
v(j, ii) = rand*(Vmax - Vmin) + Vmin;
end
if (x(j, ii) > Xmax) || (x(j, ii) < Xmin)
x(j, ii) = rand*(Xmax - Xmin) + Xmin;
end
end
end
%%%%%%%%%% 记录历代全局最优值 %%%%%%%%%
gb(i) = gbest;
end
disp(['最优个体：' num2str(g)]);
disp(['最优值：' num2str(gb(end))]);
plot(gb, 'LineWidth', 2);
xlabel('迭代次数');
ylabel('适应度值');
title('适应度进化曲线');
%%%%%%%%%% 适应度函数 %%%%%%%%%%%
function result = func2(x)
result = 3*cos(x(1)*x(2)) + x(1) + x(2)^2;
|