PSO算法解决带约束条件的优化问题

解决方案1：

..m

.unitcircle.................\....\.....\.m

............\....\.\......\psoplotswarm......m

....m

ackleysfcn........m

...psoiterate...........psopt20100414\.................m

void...m

..\....m

.m

..initstate.\.\...\...........\粗锋......dropwavefcn.......m

.\...\............\....\.m

.\.m

...\....\....\..........m

....rosenbrocksfcn..griewangksfcn......\.\..m

...\.....testfcns

.................\...\......\.templatefcn.\....\...........m

.m

...\....\.................license.........rastriginsfcn.......pso.......psogenerateoutputmessage............\.testfcn1......\unitdisk.m

....\.psocheckbounds...\...m

........\.\.........\..\........\........\..\...m

.\....\.psocheckinitialpopulation..\...\.overlaysurface..\psorunhybridfcn...psooptimset..heart.....psoplotswarmsurf..psopt\.................\....\.\releasenotes.........\..\.....m

.m

..\..........\.\.....\....\....\...\..\psocheckpopulationinitrange......\...........\..\...\...........\..............m

............private\.\......\...\汪凳知....\........\....testfcns\......quadrifolium.\.m

........langermannsfcn.\................m

.....\........overlaycontour..\..\..........\..\...\..........\......psoplotscorediversity...nonlinearconstrdemo.\.m

.........psocreationuniform...\..........m

......m

.................private

........\...\...........psodemo.........m

..........\.............\.dejongsfcn.............\....\.\......\....\..............\困消.......m

.psoplotbestf........m

...schwefelsfcn..\...........\.\.......\....\...........m

........\........m

..........txt

..txt

.m

我来说一种可行但不唯一的方案：

PSO求适应度函滚哗数F=f(x1,x2,...,xn)的最小值，如果你想添加比如x1+x2<2这样的不等式，就可以在计算完适应度函数F后，判断大余行变量是否满足你所要求的约束不等式，如果不满足，则可以给适应度函数值加入一个惩罚因子，比如原先函数值是21.5，加入惩罚因子inf（无穷大），就使得适应度函数值变成了无穷大毁念，这就达到了约束的效果；而如果满足约束不等式，就不加入惩罚因子。

就是这样子，不懂追问。

%不知道你具体的问题是什么，下面是一个最基本的pso算法解决函数极值问题，如雀基果是一些大型的问题，需要对速度、惯性顷毕谨常数、和自适应变数游异做进一步优化，希望对你有帮助

function y = fun(x)

y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289

%下面是主程序

%% 清空环境

clc

clear

%% 参数初始化

%粒子群算法中的两个参数

c1 = 1.49445

c2 = 1.49445

maxgen=200 % 进化次数

sizepop=20 %种群规模

Vmax=1%速度限制

Vmin=-1

popmax=5%种群限制

popmin=-5

%% 产生初始粒子和速度

for i=1:sizepop

%随机产生一个种群

pop(i,:)=5*rands(1,2) %初始种群

V(i,:)=rands(1,2) %初始化速度

%计算适应度

fitness(i)=fun(pop(i,:)) %染色体的适应度

end

%找最好的染色体

[bestfitness bestindex]=min(fitness)

zbest=pop(bestindex,:) %全局最佳

gbest=pop %个体最佳

fitnessgbest=fitness %个体最佳适应度值

fitnesszbest=bestfitness %全局最佳适应度值

%% 迭代寻优

for i=1:maxgen

for j=1:sizepop

%速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:))

V(j,find(V(j,:)>Vmax))=Vmax

V(j,find(V(j,:)<Vmin))=Vmin

%种群更新

pop(j,:)=pop(j,:)+0.5*V(j,:)

pop(j,find(pop(j,:)>popmax))=popmax

pop(j,find(pop(j,:)<popmin))=popmin

%自适应变异（避免粒子群算法陷入局部最优）

if rand>0.8

k=ceil(2*rand)%ceil朝正无穷大方向取整

pop(j,k)=rand

end

%适应度值

fitness(j)=fun(pop(j,:))

%个体最优更新

if fitness(j) <fitnessgbest(j)

gbest(j,:) = pop(j,:)

fitnessgbest(j) = fitness(j)

end

%群体最优更新

if fitness(j) <fitnesszbest

zbest = pop(j,:)

fitnesszbest = fitness(j)

end

end

yy(i)=fitnesszbest

end

%% 结果分析

plot(yy)

title(['适应度曲线 ' '终止代数＝' num2str(maxgen)])

xlabel('进化代数')ylabel('适应度')

---