C语言实现粒子群算法（PSO）二

上一回说了基本粒子群算法的实现，并且给出了C语言代码。这一篇主要讲解影响粒子群算法的一个重要参数---w。我们已经说过粒子群算法的核心的两个公式为：

Vid(k+1)=w*Vid(k)+c1*r1*(Pid(k)-Xid(k))+c2*r2*(Pgd(k)-Xid(k))
Xid(k+1) = Xid(k) + Vid(k+1)

标红的w即是本次我们要讨论的参数。之前w是不变的(默认取1)，而现在w是变化的，w称之为惯性权重，体现的是粒子继承先前速度的能力。 经验表明：一个较大的惯性权重有利于全局搜索，而一个较小的惯性权重则更有利于局部搜索。为了更好地平衡算法的全局搜索能力与局部搜索能力，Shi.Y提出了线性递减惯性权重(LDIW)
 即：w(k) = w_end + (w_start- w_end)*(Tmax-k)/Tmax。其中w_start 为初始惯性权重，w_end 为迭代至最大次数时的惯性权重;k为当前迭代次数， Tmax为最大迭代次数。一般来说，w_start=0.9,w_end=0.4时，算法的性能最好。这样随着迭代的进行，惯性权重从0.9递减到0.4,迭代初期较大的惯性权重使算法保持了较强的全局搜索能力。而迭代后期较小的惯性权重有利于算法进行更精确的局部搜索。线性惯性权重，只是一种经验做法，常用的惯性权重还包括 以下几种。
 (3) w(k) = w_start - (w_start-w_end)*(k/Tmax)^2
 (4) w(k) = w_start + (w_start-w_end)*(2*k/Tmax - (k/Tmax)^2)
 (5) w(k) = w_end*(w_start/w_end)^(1/(1+c*k/Tmax)) ,c为常数，比如取10等。
 本例的目的就是比较这5种不同的w取值，对于PSO寻优的影响。比较的方法为每种w取值，重复实验若干次(比如100次),比较平均最优解的大小，陷入次优解的次数，以及接近最优解的次数。 这样对于5种方法的优劣可以有一个直观的比较。

代码如下：

 

/*
 * 使用C语言实现粒子群算法(PSO) 改进版本
 * 参考自《MATLAB智能算法30个案例分析》
 * update: 16/12/3
 * 主要改进的方面体现在w的选择上面
* 本例的寻优非线性函数为
 * f(x,y) = sin(sqrt(x^2+y^2))/(sqrt(x^2+y^2)) + exp((cos(2*PI*x)+cos(2*PI*y))/2) - 2.71289
 * 该函数有很多局部极大值点，而极限位置为(0,0),在(0,0)附近取得极大值
 */
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#include<time.h>
#define c1 1.49445 //加速度因子一般是根据大量实验所得
#define c2 1.49445
#define maxgen 300  // 迭代次数
#define repeat 100 // 重复实验次数
#define sizepop 20 // 种群规模
#define popmax 2 // 个体最大取值
#define popmin -2 // 个体最小取值
#define Vmax 0.5 // 速度最大值
#define Vmin -0.5 //速度最小值
#define dim 2 // 粒子的维数
#define w_start 0.9
#define w_end 0.4
#define PI 3.1415926 //圆周率

double pop[sizepop][dim]; //