带交叉因子的粒子群优化算法matlab源程序

最新推荐文章于 2023-03-31 18:25:28 发布
最新推荐文章于 2023-03-31 18:25:28 发布
阅读量1.2k 收藏 7
点赞数
带交叉因子的粒子群优化算法matlab源程序
大明 发表于 2006-8-26 17:04:00

      程序源代码:其中PSOGA.m文件,也就是主程序如下

%-----------------------------------------------
%------名称：带交叉因子的改进PSO算法
%------功能：求解多维无约束优化问题
%------特点：收敛性强，还可以加入变异算子
%------作者：孙明杰 <dreamsun2001@126.com>
%------单位：中国矿业大学计算数学硕2005
%------日期：2006年8月26日
%-----------------------------------------------

%格式标准化
clear all;
clc;
format long;
%初始化各个因子
c1=1.4962;    %学习因子c1
c2=1.4962;    %学习因子c2
w=0.7298;     %惯性权重w
N=20;         %粒子群规模
D=6;          %搜索空间维数(本程序适合3维及以上，不能求解1,2维)
eps=10^(-6);  %满足条件限制的误差(在不知道最小值时候不用设置)
MaxDT=500;    %粒子群繁殖的代数

%初始化粒子的速度和位置，数据结构用矩阵A表示
for i=1:N
    for j=1:2*D
        A(i,j)=rand;
    end
end
for i=1:N
    for j=2*D+1:3*D
        A(i,j)=A(i,j-2*D);
    end
end
%计算各个粒子的适应度
for i=1:N
    A(i,3*D+1)=fitness(A(i,1:D),D);
end
%对粒子的适应度进行排序
B=sortrows(A,3*D+1);
%排序后适应度低的前面一半粒子直接进入下一代
NextGeneration=zeros(N,3*D+1);
for i=1:N/2
    for j=1:3*D+1
        NextGeneration(i,j)=B(i,j);
    end
end
%后一半粒子进行遗传选择和交叉操作
for i=1:N/2
    for j=1:3*D+1
        Cross(i,j)=B(i+N/2,j);
    end
end
%产生一个随机的交叉位置
for i=1:N/4
    Anumber=randperm(D-1);
    if Anumber(1)~=1
        position=Anumber(1);
    else
        position=Anumber(2);
    end
    %交叉进行
    for j=position:D-1
        temp=Cross(i,j);
        Cross(i,j)=Cross(N/2-i+1,j);
        Cross(N/2-i+1,j)=temp;
    end
end
%交叉结束，进行更新
for i=1:N/2
    Cross(i,3*D+1)=fitness(Cross(i,1:D),D);
    if Cross(i,3*D+1)<B(i+N/2,3*D+1)
        for j=2*D+1:3*D
            Cross(i,j)=Cross(i,j-2*D);
        end
    else
        for j=2*D+1:3*D
            Cross(i,j)=B(i,j);
        end
    end
end
%下面选择最好的粒子N/2个进入下一代
Pool=zeros(N,3*D+1);
for i=1:N/2
    for j=1:3*D+1
        Pool(i,j)=B(i+N/2,j);
    end
end
for i=1+N/2:N
    for j=1:3*D+1
        Pool(i,j)=Cross(i-N/2,j);
    end
end
%POOLX表示排序后的粒子选择池
PoolX=sortrows(Pool,3*D+1);
for i=1+N/2:N
    for j=1:3*D+1
        NextGeneration(i,j)=PoolX(i-N/2,j);
    end
end
Pbest=NextGeneration(i,2*D+1:3*D);
for i=2:N
    if NextGeneration(i,3*D+1)<fitness(Pbest,D)
        Pbest=NextGeneration(i,2*D+1:3*D);
    end
end
%根据粒子群公式进行迭代(Stander PSO Step)
%速度更新
for i=1:N
    for j=D+1:2*D
        A(i,j)=w*NextGeneration(i,j)+c1*rand*(NextGeneration(i,j+D)-NextGeneration(i,j-D))+c2*rand*(Pbest(j-D)-NextGeneration(i,j-D));
    end
end
%位置更新
for i=1:N
    for j=1:D
        A(i,j)=NextGeneration(i,j)+A(i,j+D);
    end
    A(i,3*D+1)=fitness(A(i,1:D),D);
    if A(i,3*D+1)<NextGeneration(i,3*D+1)
        for j=2*D+1:3*D
            A(i,j)=A(i,j-2*D);
        end
    else
        for j=2*D+1:3*D
            A(i,j)=NextGeneration(i,j-2*D);
        end
    end
end
%下面进入主要循环，循环到最大次数得到最优解和最小值
%DDTime=1;
for time=1:MaxDT
    B=sortrows(A,3*D+1);
    NextGeneration=zeros(N,3*D+1);
    for i=1:N/2
        for j=1:3*D+1
            NextGeneration(i,j)=B(i,j);
        end
    end
    %遗传选择交叉
    for i=1:N/2
        for j=1:3*D+1
            Cross(i,j)=B(i+N/2,j);
        end
    end

    for i=1:N/4
        Anumber=randperm(D-1);
        if Anumber(1)~=1
            position=Anumber(1);
        else
            position=Anumber(2);
        end
        
        for j=position:D-1
            temp=Cross(i,j);
            Cross(i,j)=Cross(N/2-i+1,j);
            Cross(N/2-i+1,j)=temp;
        end
    end
    %交叉结束，进行更新
    for i=1:N/2
        Cross(i,3*D+1)=fitness(Cross(i,1:D),D);
        if Cross(i,3*D+1)<B(i+N/2,3*D+1)
            for j=2*D+1:3*D
                Cross(i,j)=Cross(i,j-2*D);
            end
        else
            for j=2*D+1:3*D
                Cross(i,j)=B(i,j);
            end
        end
    end
    %下面选择最好的粒子N/2个进入下一代
    Pool=zeros(N,3*D+1);
    for i=1:N/2
        for j=1:3*D+1
            Pool(i,j)=B(i+N/2,j);
        end
    end
    for i=1+N/2:N
        for j=1:3*D+1
            Pool(i,j)=Cross(i-N/2,j);
        end
    end
    
    PoolX=sortrows(Pool,3*D+1);
    for i=1+N/2:N
        for j=1:3*D+1
            NextGeneration(i,j)=PoolX(i-N/2,j);
        end
    end
    Pbest=NextGeneration(i,2*D+1:3*D);
    for i=2:N
        if NextGeneration(i,3*D+1)<fitness(Pbest,D)
            Pbest=NextGeneration(i,2*D+1:3*D);
        end
    end
    %根据粒子群公式进行迭代
    for i=1:N
        for j=D+1:2*D
            A(i,j)=w*NextGeneration(i,j)+c1*rand*(NextGeneration(i,j+D)-NextGeneration(i,j-D))+c2*rand*(Pbest(j-D)-NextGeneration(i,j-D));
       end
    end
    
    for i=1:N
        for j=1:D
            A(i,j)=NextGeneration(i,j)+A(i,j+D);
        end
        A(i,3*D+1)=fitness(A(i,1:D),D);
        if A(i,3*D+1)<NextGeneration(i,3*D+1)
            for j=2*D+1:3*D
                A(i,j)=A(i,j-2*D);
            end
        else
            for j=2*D+1:3*D
                A(i,j)=NextGeneration(i,j-2*D);
            end
        end
    end
    Pg(time)=fitness(Pbest,D);
    %DDTime=DDTime+1;
    %if fitness(Pbest,D)<eps
        %break;
    %end
end
%算法结束，得到的结果显示如下：
disp('****************************************************')
disp('最后得到的最优位置为：')
X=Pbest'
disp('得到的函数最小值为：')
Minimize=fitness(Pbest,D)
disp('****************************************************')
%绘制进化代数和适应度关系曲线图
xx=linspace(1,MaxDT,MaxDT);
yy=Pg(xx);
plot(xx,yy,'b-')
hold on
grid on
title('带交叉因子的粒子群优化算法进化代数与适应度值关系曲线图')
legend('粒子适应度曲线走势')
%------算法结束---DreamSun GL & HF-------------------------

jo518
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【优化求解】基于matlab遗传算法结合粒子群算法求解单目标优化问题【含Matlab源码 1659期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
01-06 7048
遗传算法结合粒子群算法求解单目标优化问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
带交叉因子的粒子群优化算法matlab源程序.zip
06-05
本算法为混合算法，粒子群算法和遗传算法相结合，有很好的性能，程序中以函数优化为例，并且有适应度趋势图，代码有注释！代码有注释！代码有注释！
基于遗传算法交叉算子的混合型粒子群算法实现TSP问题（大致流程）
mouselet3的博客
03-31 318
TSP问题求解
带交叉因子的粒子群优化算法matlab源程序.doc
05-30
带交叉因子的粒子群优化算法matlab源程序.doc
带交叉因子的粒子群优化算法MATLAB源程序.doc
05-26
带交叉因子的粒子群优化算法MATLAB源程序.doc
多目标粒子群算法(MOPSO)的原理和matlab实现
热门推荐
配电网和matlab的博客
11-10 1万+
初学者面对多目标优化问题可能比较困难，写下这篇博客记录一下自己学习的心得，希望能和大家一起交流学习。采用粒子群求单目标优化问题的原理很好理解，就是通过对粒子群的速度和位置不断来更新粒子群的最优适应度(也就是目标函数)，达到寻优的目的。但是多目标优化问题就比较难办了，由于目标函数有多个，如果同样使用粒子群算法，那么适应度怎么设置？怎么确定全体最优的粒子？这些问题都是比较棘手的。
混合粒子群算法原理通俗讲解
wenyusuran的专栏
06-24 2893
今天小编为大家讲解粒子群算法（PSO），还是和往常一样，我的目的是为了带领大家快速入门，是为了让大家在最短的时间内上手粒子群算法。 首先讲一下PSO算法的思想，还是由一个很常规的例子引入： 设想一群鸟在随机搜索食物，已知在这块区域只有一块食物，所有的鸟都不知道食物在哪，但它们能感受到当前的位置离食物有多远，那么找到食物的最优策略是什么呢？ 搜寻目前离食物最近的鸟的周围区域，根据自己的飞行经验判断食物的所在。这个策略的意思就是说只要找到最“厉害”的那只鸟，跟着那只鸟就能找到食物。 粒子群算法的基本思想
智能微电网中利用粒子群算法实现多目标优化（有完整数据可运行）.zip
10-05
智能微电网中对多目标问题的优化，采用粒子群的完美验证，有详细注释，可以借鉴
基于粒子群优化算法的聚类分析
04-30
粒子群优化算法的聚类分析的经典文章，很难找的。
PSO算法matlab源代码
12-20
PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。
粒子群-粒子群_神经网络混合算法在短期电价预测中的应用.zip
03-16
粒子群-粒子群_神经网络混合算法在短期电价预测中的应用.pdf 粒子群算法 140 120}---- 100 时段/h 时段h 10月6日 10月?日 时段/ 真实值 时段 10月9日 预测值 10月10日 o1994-2010ChinaAcademicjOurnalElectronicPublishingHouse.Allrightsreservedhttp:/www.cnki.net 迭代次数 8001000 PSO-BP混合算法 选忙数
基于MATLAB的粒子群优化算法程序设计
05-27
PSO算法是一类基于群体智能的随机优化技术, 相对遗传算法而言, 二者都是基于群体的迭代搜索, 但是 PSO算法没有交叉、 变异算子, 粒子群优化算法是通过个体之间的协作来搜寻最优解, 它利用了生物群体中信息共享的思想, 其概念简单、易于实 现, 同时又有深刻的智能背景, 既适合科学研究, 又特别适合工程应用。
粒子群算法
gcg0223的博客
03-03 991
粒子群算法简介： 粒子群算法也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO，PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优...
粒子群优化算法（Particle Swarm Optimization）
IT荻的博客
02-19 6347
转自：https://www.cnblogs.com/21207-iHome/p/6062535.html 粒子群算法的思想源于对鸟/鱼群捕食行为的研究，模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全...
粒子群（PSO）算法学习
qq_42544836的博客
07-07 7089
粒子群优化算法（Particle Swarm Optimization），缩写为 PSO，属于进化算法的一种。和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解。 它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”（Crossover）和“变异”（Mutation）操作，它通过追随当前搜索到的最优值来寻找全局最优。 一、概念： 粒子群是基于群体的算法，每个个体称为粒子，粒子组成粒子群，群体在可行区域中逐步移动。每次移动过程中，算法计算每个粒子的目标函数，根据该值
多目标粒子群优化算法matlab源代码
最新发布
12-05
多目标粒子群优化算法（MOPSO）是一种常用于求解多目标优化问题的算法。下面是一个使用MATLAB实现的MOPSO算法的源代码： ```matlab function [best_position, best_fitness] = MOPSO(function_handle, num_...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值