创新性不足？13种改进的粒子群算法限时免费赠送！

本文链接：https://blog.csdn.net/QSJIQIXUEXI/article/details/135867410

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

还在纠结创新性不足的问题？传统粒子群算法已经不算创新了，今天为大家带来一期13种改进的粒子群算法代码，独家原创！适合作为创新点！具体代码已放在最后，需要代码的朋友可直接拉到最后~

首先看一下13种改进粒子群算法分别是哪些：

1.AsyLnCPSO 学习因子异步化的粒子群优化算法

2.BreedPSO 基于杂交的粒子群优化算法

3.CLSPSO 混沌粒子群优化算法

4.LinWPSO 线性递减权重粒子群优化

5.LnCPSO 学习因子同步变化的粒子群优化算法

6.PSO 标准粒子群优化算法

7.RandWPSO 随机权重粒子群优化算法

8.SAPSO 自适应权重粒子群优化算法

9.SecPSO 二阶粒子群优化算法

10.SecVibratPSO 二阶震荡粒子群优化算法

11.SelPSO 基于自然选择的粒子群优化算法

12.SimuAPSO 基于模拟退火的粒子群优化算法

13.YSPSO 带压缩因子的粒子群优化算法

这边挑一种为大家介绍一下原理：

AsyLnCPSO算法的特点在于其对这些学习因子的处理方式。在传统PSO中，学习因子通常是固定的或随迭代次数线性变化的。而在AsyLnCPSO中，这些学习因子是异步更新的，意味着它们可以根据算法的运行状态或每个粒子的性能独立变化。这种异步更新机制使得算法更加灵活，能够更好地适应不同的优化问题。

那么具体来看，AsyLnCPSO通过以下几种方式改进标准PSO：

个体学习因子和社会学习因子的异步更新：这允许算法在探索（寻找新的可能解）和开发（在已知良好区域细化搜索）之间更好地平衡。
动态调整学习因子：根据搜索过程中的反馈，动态调整学习因子，以适应不同的优化阶段。
提高收敛速度和解的质量：通过这种灵活的调整机制，AsyLnCPSO能够更快地收敛到优质解。
适应多样性的问题：由于其调整机制的灵活性，AsyLnCPSO在处理多样性问题（例如多峰值函数）时可能比标准PSO表现更好。

AsyLnCPSO的完整函数代码如下：

function [xm,fv] = AsyLnCPSO(fitness,N,c1max,c1min,c2max,c2min,w,M,D)

format long;

%------初始化种群的个体------------

for i=1:N

    for j=1:D

        x(i,j)=randn;  %随机初始化位置

        v(i,j)=randn;  %随机初始化速度

    end

end

%------先计算各个粒子的适应度，并初始化Pi和Pg----------------------

for i=1:N

    p(i)=fitness(x(i,:));

    y(i,:)=x(i,:);

end

pg = x(N,:);             %Pg为全局最优

for i=1:(N-1)

    if fitness(x(i,:))<fitness(pg)

        pg=x(i,:);

    end

end

%------进入主要循环，按照公式依次迭代------------

for t=1:M

    c1 = c1max - (c1max - c1min)*t/M;
    
    c2 = c2max - (c2max - c2min)*t/M;
    
    for i=1:N

        v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));

        x(i,:)=x(i,:)+v(i,:);

        if fitness(x(i,:))<p(i)

            p(i)=fitness(x(i,:));

            y(i,:)=x(i,:);

        end

        if p(i)<fitness(pg)

            pg=y(i,:);

        end

    end

    Pbest(t)=fitness(pg);
end
xm = pg';
fv = fitness(pg);

稍微解释一下，输入输出分别代表什么，方便大家调用：

输入：