【优化分配】基于粒子群算法和萤火虫算法求解二次分配优化问题附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

 

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

针对当前火力分配(WTA)的难题,论文提出了一种基于粒子群优化算法(PSO)和萤火虫算法火力分配优化方法.介绍了算法的具体实现步骤,并通过在计算机上进行MATLAB仿真实验,验证了此方法的可行性和科学性,是一种有益的尝试与探索,对现代战争中指挥决策和理论研究有一定的参考价值.

⛄ 部分代码

%

clc;

clear;

close all;

%% Problem Definition

model=CreateModel();

CostFunction=@(s) MyCost(s, model);        % Cost Function

nVar=model.m;       % Number of Decision Variables

VarSize=[1 nVar];   % Size of Decision Variables Matrix

VarMin=0;         % Lower Bound of Variables

VarMax=1;         % Upper Bound of Variables

%% PSO Parameters

MaxIt=1000;      % Maximum Number of Iterations

nPop=80;         % Population Size (Swarm Size)

% PSO Parameters

w=1;            % Inertia Weight

wdamp=0.99;     % Inertia Weight Damping Ratio

c1=1.5;         % Personal Learning Coefficient

c2=2.0;         % Global Learning Coefficient

% Velocity Limits

VelMax=0.1*(VarMax-VarMin);

VelMin=-VelMax;

nParticleMutation = 1;      % Number of Mutations Performed on Each Particle

nGlobalBestMutation = 3;    % Number of Mutations Performed on Global Best

%% Initialization

empty_particle.Position=[];

empty_particle.Cost=[];

empty_particle.Sol=[];

empty_particle.Velocity=[];

empty_particle.Best.Position=[];

empty_particle.Best.Cost=[];

empty_particle.Best.Sol=[];

particle=repmat(empty_particle,nPop,1);

GlobalBest.Cost=inf;

for i=1:nPop

    

    % Initialize Position

    particle(i).Position=unifrnd(VarMin,VarMax,VarSize);

    

    % Initialize Velocity

    particle(i).Velocity=zeros(VarSize);

    

    % Evaluation

    [particle(i).Cost, particle(i).Sol]=CostFunction(particle(i).Position);

    

    % Update Personal Best

    particle(i).Best.Position=particle(i).Position;

    particle(i).Best.Cost=particle(i).Cost;

    particle(i).Best.Sol=particle(i).Sol;

    

    % Update Global Best

    if particle(i).Best.Cost<GlobalBest.Cost

        GlobalBest=particle(i).Best;

    end

    

end

BestCost=zeros(MaxIt,1);

%% PSO Main Loop

for it=1:MaxIt

    

    for i=1:nPop

        

        % Update Velocity

        particle(i).Velocity = w*particle(i).Velocity ...

            +c1*rand(VarSize).*(particle(i).Best.Position-particle(i).Position) ...

            +c2*rand(VarSize).*(GlobalBest.Position-particle(i).Position);

        

        % Apply Velocity Limits

        particle(i).Velocity = max(particle(i).Velocity,VelMin);

        particle(i).Velocity = min(particle(i).Velocity,VelMax);

        

        % Update Position

        particle(i).Position = particle(i).Position + particle(i).Velocity;

        

        % Velocity Mirror Effect

        IsOutside=(particle(i).Position<VarMin | particle(i).Position>VarMax);

        particle(i).Velocity(IsOutside)=-particle(i).Velocity(IsOutside);

        

        % Apply Position Limits

        particle(i).Position = max(particle(i).Position,VarMin);

        particle(i).Position = min(particle(i).Position,VarMax);

        

        % Evaluation

        [particle(i).Cost, particle(i).Sol] = CostFunction(particle(i).Position);

        

        % Perform Mutation

        for j=1:nParticleMutation

            NewParticle = particle(i);

            NewParticle.Position = Mutate(particle(i).Position);

            [NewParticle.Cost, NewParticle.Sol] = CostFunction(NewParticle.Position);

            if NewParticle.Cost <= particle(i).Cost

                particle(i) = NewParticle;

            end

        end

        

        % Update Personal Best

        if particle(i).Cost<particle(i).Best.Cost

            

            particle(i).Best.Position=particle(i).Position;

            particle(i).Best.Cost=particle(i).Cost;

            particle(i).Best.Sol=particle(i).Sol;

            

            % Update Global Best

            if particle(i).Best.Cost<GlobalBest.Cost

                GlobalBest=particle(i).Best;

            end

            

        end

        

    end

    

    % Perform Mutation on Global Best

    for i=1:nGlobalBestMutation

        NewParticle = GlobalBest;

        NewParticle.Position = Mutate(GlobalBest.Position);

        [NewParticle.Cost, NewParticle.Sol] = CostFunction(NewParticle.Position);

        if NewParticle.Cost <= GlobalBest.Cost

            GlobalBest = NewParticle;

        end

    end

    

    

    BestCost(it)=GlobalBest.Cost;

    

    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);

    

    w=w*wdamp;

    

    figure(1);

    PlotSolution(GlobalBest.Position, model);

    pause(0.01);

    

end

BestSol = GlobalBest;

%% Results

figure;

plot(BestCost,'LineWidth',2);

xlabel('迭代次数');

ylabel('最优值');

grid on;

⛄ 运行结果

⛄ 参考文献

[1] 王光源, 徐鹏飞, 赵勇. 基于粒子群优化算法求解火力分配问题[J]. 舰船电子工程, 2013, 33(11):34-36.

[2] 周洪斌, 吕强. 利用混合粒子群优化算法求解二次分配问题[J]. 计算机应用与软件, 2009, 26(11):3.

[3] 朱渊萍, 陈素芬. 萤火虫群优化算法在公差分配优化的应用[J]. 机械设计与制造, 2014(6):3.

⛳️ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料