本篇文章适合PSO入门,进阶的可能会觉得太简单了。
PSO是什么
Particle Swarm Optimization,粒子群优化算法,通过模拟鸟群或鱼群的行为来寻找最优解。在计算时通过对一群粒子的位置和速度进行迭代,是全局搜索算法。
相应的还有蚁群、遗传算法、模拟退火等智能算法。后面更新
作用
这是一段PSO的例程。只有一个m文件,在里面填写好需要求解的函数后,就能得到PSO求解的函数最小值和对应的自变量取值。
在现在的函数示例中,设置的待求函数为F = x^2 + x - 6,从详情页能看到,求出来是当x=-0.25时,函数得到最小值-6.25
运行结果
设置如下的目标函数:
在代码编辑窗口里面如下:
代码
% PSO求解函数最小值
% 2024-7-29/Ver1
clear;clc;close all;
rng(0);
[xm, fv] = PSO(@fitness, 1, 1.5, 1.5, 0.5, 100000, 1);
fprintf('满足目标函数取最小值时的自变量为:%f\n',xm);
fprintf('目标函数的最小值为:%f\n',fv);
function F = fitness(x) %设置目标函数
F = x^2 + x - 6;
end
function [xm, fv] = PSO(fitness, pop_size, c1, c2, w, epochs, chromosome_size) %PSO计算函数
% 完整代码下载链接:https://gf.bilibili.com/item/detail/1105924012
函数解释
PSO这个函数形式如下:
[
x
m
,
f
v
]
=
P
S
O
(
f
i
t
n
e
s
s
,
p
o
p
s
i
z
e
,
c
1
,
c
2
,
w
,
e
p
o
c
h
s
,
c
h
r
o
m
o
s
o
m
e
s
i
z
e
)
[xm, fv] = PSO(fitness, pop_size, c1, c2, w, epochs, chromosome_size)
[xm,fv]=PSO(fitness,popsize,c1,c2,w,epochs,chromosomesize)
其中,fitness是目标函数,所以在使用的时候这里填写目标函数“@fitness”,pop_size和chromosome_size是每次计算的未知数个数(群体鬼墨),c1和c2是加速常数,w是惯性权重()使微粒保持运动的惯性,使其有扩展搜索空间的趋势,有能力探索新的区域)。epochs是迭代步数。
例程修改tips
加大PSO函数的“epochs”这一个量(也就是倒数第二个输入量),可以加大迭代次数,计算时间增加、精度提升
修改pop_size和chromosome_size,可以更改每次由PSO计算的量的个数
meup/article/details/140781225