阿白数模笔记之粒子群法(Particle Swarm Optimization，PSO)负反馈（Degenerative Feedback）修正及MATLAB代码详解

最新推荐文章于 2023-07-05 14:39:26 发布

阿白啥也不会

最新推荐文章于 2023-07-05 14:39:26 发布

阅读量409

点赞数 1

分类专栏：阿白数模笔记文章标签： matlab 开发语言算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_73804671/article/details/129473194

版权

阿白数模笔记专栏收录该内容

10 篇文章 6 订阅

订阅专栏

目录

基本粒子群法（Basic particle swarm optimization）

负反馈（Degenerative Feedback）修正

MATLAB代码详解

参数初始化

Preface

粒子群优化（Particle Swarm Optimization, PSO），又称微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。其中“群（swarm）”来源于微粒群匹配M. M. Millonas在开发应用于人工生命（artificial life）的模型时所提出的群体智能的5个基本原则。“粒子（particle）”是一个折衷的选择，因为既需要将群体中的成员描述为没有质量、没有体积的，同时也需要描述它的速度和加速状态。

基本粒子群法（Basic particle swarm optimization）

在D维空间，N个粒子组成一个群落 $X=(X_1,X_2,...X_N)$ ，每个粒子位置坐标是D维向量，

$X_i=(x_{i1},x_{i2},...x_{iD}),i=1,2,...N$ ，在每个维度上的速度也是D维向量 $V_i=(v_{i1},v_{i2},...v_{iD}),i=1,2,...D$ ，在迭代过程中，对每一个粒子 $X_i$ ，保留它迄今为止搜索到的最优位置为个体极值 $P_i{best}=(p_{i1},p_{i2},...p_{iD}),i=1,2,...N$ ，整个粒子群搜索到的最优路径为 $G_{best}=(g_1,g_2,...g_D)$ ，每进行一次迭代，粒子的位置和速度都会更新，更新公式为

$x_{ij}(t+1)=x_{ij}(t)+v_{ij}(t),i=1,2,...N,j=1,2,...D$ ,i表示第几个粒子，j表示维度

$v_{ij}(t+1)=wv_{ij}(t)+c_1*rand()*(p_{ij}-x_{ij}(t))+c_1*rand()*(gj-x_{ij}(t)),i=1,2,...N,j=1,2,...D$

其中w是惯性系数，即前一次迭代速度对后一次的影响系数， $p_{ij}-x_{ij}(t)$ 表示个体目前最优极值对搜索的影响，反映了粒子的认知能力， $c_1>0$ ， $gj-x_{ij}(t)$ 表示群体最优极值对个体的影响，反映了粒子的社会性行为， $c_2>0$ ,均为正反馈调节。

负反馈（Degenerative Feedback）修正

在速度更新公式的基础上，引入负反馈调节因子 $c_3,c_4$ 进行修正。在迭代过程中，对每一个粒子迄今为止搜索到的最差路径为个体极差值， $P_i{worst}=(p'_{i1},p'_{i2},...p'_{iD}),i=1,2,...N$ ，整个粒子群搜索到的最优路径为 $G_{worst}=(g'_1,g'_2,...g'_D)$ ，修正后的速度更新公式为 $v_{ij}(t+1)=wv_{ij}(t)+c_1*rand()*(p_{ij}-x_{ij}(t))+c_1*rand()*(gj-x_{ij}(t))+c_3*rand()*(p'_{ij}-x_{ij}(t))+c_4*rand()*(g'_j-x_{ij}(t)),i=1,2,...N,j=1,2,...D$ ，其中

$c_3<0,c_4<0$ ，表示负反馈调节，增强了个体的认知能力的社会能力。

MATLAB代码详解

多峰函数

这是待求极小值的多峰函数

function v=func3(x)
v=((1*cos((1+1).*x(1)+1))+(2*cos((2+1).*x(1)+2))+(3*cos((3+1).*x(1)+3))+...
       (4*cos((4+1).*x(1)+4))+(5*cos((5+1).*x(1)+5))).*((1*cos((1+1).*x(2)+1))+...
       (2*cos((2+1).*x(2)+2))+(3*cos((3+1).*x(2)+3))+(4*cos((4+1).*x(2)+4))+(5*cos((5+1).*x(2)+5)));
end

x=linspace(-10,10,2000);
y=x;
z=meshgrid(x,y);
for i=1:size(x,2)
    for j=1:size(x,2)
        z(i,j)=func3([x(i),y(j)]);
    end
end
mesh(x,y,z);

参数初始化

clear all; %清除所有变量
close all; %清图
clc; %清屏
N = 100; %群体粒子个数
D = 2; %粒子维数
T = 200; %最大迭代次数
c1 = 1.5; %正反馈调节因子1
c2 = 1.5; %正反馈调节因子2
c3=-0.5;%负反馈调节因子1
c4=-0.5;%负反馈调节因子2
Wmax = 0.8; %惯性权重最大值
Wmin = 0.4; %惯性权重最小值
Xmax = 10; %位置最大值
Xmin = -10; %位置最小值
Vmax = 1; %速度最大值，当更新后速度v>Vmax，取v=Vmax
Vmin = -1; %速度最小值,当更新后速度v<Vmin,取v=Vmin

%%%%%%%%%%%%初始化种群个体(限定位置和速度)%%%%%%%%%%%%
x = rand(N,D) * (Xmax-Xmin)+Xmin;
v = rand(N,D) * (Vmax-Vmin)+Vmin;

%%%%%%%%%%%%%初始化个体最优位置最优值以及最差位置最差值%%%%%%%%%%%%%
p = x;
pw=x;
pbest = ones(N,1);
for i = 1:N
    pbest(i) = func3(x(i,:));
end
pworst=pbest;%初始时刻个体最优值也是最差值

%%%%%%%%%%%%%初始化全局最优位置和最优值%%%%%%%%%%%%
g = ones(1,D);
gw=ones(1,D);
gbest = inf;
gworst=-inf;
for i = 1:N
    if(pbest(i) < gbest)
        g = p(i,:);
        gbest = pbest(i);
    elseif (pbest(i)>gworst)
        gw=p(i,:);
        gworst=pbest(i);
    end
end
gb = ones(1,T);%记录每次迭代最优值

迭代过程

%%%%%%%%%按照公式依次迭代直到满足精度或者迭代次数%%%%%%%%
for i = 1:T
    for j = 1:N

        %%%%%%%%%更新个体最优位置和最优值%%%%%%%%%%%%%
        if (func3(x(j,:)) < pbest(j))
            p(j,:) = x(j,:);
            pbest(j) = func3(x(j,:));

        %%%%%%%%%更新个体最差位置和最差值%%%%%%%%%%%%%
        elseif (func3(x(j,:)) >pworst(j))
            pw(j,:)=x(j,:);
            pworst(j)= func3(x(j,:));
        end

        %%%%%%%%%%更新全局最优位置和最优值%%%%%%%%%%%%
        if(pbest(j) < gbest)
            g = p(j,:);
            gbest = pbest(j);

        %%%%%%%%%%更新最差位置和最差值%%%%%%%%%%%%
        elseif (pworst(j) > gworst)
            gw=p(j,:);
            gworst=pworst(j);
        end

        %%%%%%%%%%%计算动态惯性权重值%%%%%%%%%%%%%%%
        w = Wmax-(Wmax-Wmin)*i/T;%线性递减公式

        %%%%%%%%%%%%更新位置和速度值%%%%%%%%%%%%%%%
        v(j,:) = w*v(j,:)+c1*rand*(p(j,:)-x(j,:))...
            +c2*rand*(g-x(j,:))+c3*rand*(pw(j,:)-x(j,:))+c4*rand*(gw-x(j,:));
        x(j,:) = x(j,:)+v(j,:);

        %%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%
        for ii = 1:D
            if (v(j,ii) > Vmax) | (v(j,ii) < Vmin)
                v(j,ii) = rand * (Vmax-Vmin)+Vmin;
            end
            if (x(j,ii) > Xmax) | (x(j,ii) < Xmin)
                x(j,ii) = rand * (Xmax-Xmin)+Xmin;
            end
        end
    end

    %%%%%%%%%%%%%%记录历代全局最优值%%%%%%%%%%%%%%
    gb(i) = gbest;
end

结果显示

g  %最优个体
gb(end)  %最优值
figure
plot(gb)
xlabel('Iterations');
ylabel('Fitness value');
title('Fitness evolution curve')

参考文章

基本粒子群算法小结及算法实例（附Matlab代码）

阿白啥也不会

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
0
评论
阿白数模笔记之粒子群法(Particle Swarm Optimization，PSO)负反馈（Degenerative Feedback）修正及MATLAB代码详解

阿白数模笔记之粒子群法(Particle Swarm Optimization，PSO)负反馈（Degenerative Feedback）修正及MATLAB代码详解
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

阿白啥也不会 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

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。