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,:)) %染色体的适应码昌度
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 ' '终止代数毁模并=' num2str(maxgen)])
xlabel('进化代数')ylabel('适应度')
以上回答你满意么?
%% fitness(i)=fitness(pop(i,:)) %染色体的适应度这个函数是需要你根据你带扰的实际问蠢老旦题来编写的。
图像显示问题自行百度imshow函含旁数。
如前所述,PSO模拟鸟群的捕食行为。设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有和此效的就是搜寻目前离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value),每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO 初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也饥纳可以不用整个种群而只是用其中一部分作为粒子的邻居,那么在所有邻居中的极值就是局部极值。 在找到这两个最优值时,粒子根据如下的公式来更新自己的速度和新的烂棚没位置:
v[] = w * v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)
present[] = present[] + v[] (b)
v[] 是粒子的速度, w是惯性权重,present[] 是当前粒子的位置. pbest[] and gbest[] 如前定义 rand () 是介于(0, 1)之间的随机数. c1, c2 是学习因子. 通常 c1 = c2 = 2.
程序的伪代码如下
For each particle
____Initialize particle
END
Do
____For each particle
________Calculate fitness value
________If the fitness value is better than the best fitness value (pBest) in history
____________set current value as the new pBest
____End
____Choose the particle with the best fitness value of all the particles as the gBest
____For each particle
________Calculate particle velocity according equation (a)
________Update particle position according equation (b)
____End
While maximum iterations or minimum error criteria is not attained
在每一维粒子的速度都会被限制在一个最大速度Vmax,如果某一维更新后的速度超过用户设定的Vmax,那么这一维的速度就被限定为Vmax
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)