基于 粒子群算法 matlab 源码

粒子群算法（Particle Swarm Optimization，PSO）是一种优化算法，源于对鸟群和鱼群等生物群体行为的模拟。它通过模拟鸟群中个体在搜索食物时的行为来优化问题的解。以下是粒子群算法的详细介绍：

算法原理

1. 群体初始化：

   • 粒子群算法通过初始化一群随机粒子来开始优化过程。每个粒子代表问题空间中的一个候选解。

2. 位置与速度更新：

   • 每个粒子根据其当前位置和速度，以及历史经验（个体最优）和群体经验（全局最优）来更新自己的位置和速度。
   • 粒子的速度影响其下一步的移动方向和距离，而位置则代表粒子在问题空间中的当前位置。

3. 个体与群体最优更新：

   • 每个粒子会记住其自身曾经找到的最优位置（个体最优），以及整个粒子群中找到的最优位置（群体最优）。
   • 根据这些信息，粒子可以调整自己的移动策略，以期望找到更优的解。

4. 迭代优化：

   • 粒子群算法通过不断迭代来优化候选解的质量。每一轮迭代都尝试根据当前的最优信息来更新粒子的位置和速度。

5. 收敛与停止条件：

   • 算法会在达到一定的迭代次数或者满足了预设的优化目标后停止。通常情况下，当算法收敛到一个足够优化的解时，就可以停止了。

算法优势

• 简单有效：PSO算法相对于其他优化算法如遗传算法和模拟退火，实现起来更为简单。
• 全局搜索能力：PSO算法能够很好地在整个搜索空间内进行全局搜索，找到比较好的解。
• 参数少：PSO算法相对于其他优化算法需要调整的参数较少，因此实现和调整起来相对简单。

应用领域

粒子群算法广泛应用于以下领域：

• 工程优化：如工程设计、结构优化等。
• 机器学习：如神经网络训练中的参数优化。
• 图像处理：如图像分割、特征选择等。
• 数据挖掘：如聚类分析、关联规则挖掘等。

总结

粒子群算法通过模拟生物群体的行为，尤其是鸟群寻找食物的方式，来优化问题的解。它在全局搜索和简单实现方面有一定优势，因此在各种优化问题中得到了广泛应用。

clc
clear
numItems = 10;
weights = [2, 3, 4, 5, 9, 7, 8, 6, 4, 5]; 
values = [3, 4, 8, 8, 10, 7, 6, 5, 3, 7]; 
capacity = 20; 
popSize = 50; 
N_Generations = 500; 
cross_Rate = 0.8; 
mutation_Rate = 0.1; 
population = randi([0, 1], popSize, numItems);
best_Fitness = zeros(N_Generations, 1);
for gen = 1:N_Generations
    fitness = evaluate_Fitness(population, weights, values, capacity);
    best_Fitness(gen) = max(fitness);   
    selected_Population = selection(population, fitness);  
    new_Population = zeros(popSize, numItems);
    for i = 1:2:popSize
        if rand < cross_Rate
            parent1 = selected_Population(i, :);
            parent2 = selected_Population(i+1, :);
            [offspring1, offspring2] = Crossover(parent1, parent2);
            new_Population(i, :) = offspring1;
            new_Population(i+1, :) = offspring2;
        else
            new_Population(i, :) = selected_Population(i, :);
            new_Population(i+1, :) = selected_Population(i+1, :);
        end
    end    
    for i = 1:popSize
        new_Population(i, :) = mutate(new_Population(i, :), mutation_Rate);
    end    
    population = new_Population;
end
finalFitness = evaluate_Fitness(population, weights, values, capacity);
[bestValue, bestIndex] = max(finalFitness);
bestSolution = population(bestIndex, :);

function [offspring1, offspring2]= Crossover(parent1, parent2)
numItems=length(parent1);
point = randi([1, numItems-1]);
offspring1 = [parent1(1:point), parent2(point+1:end)];
offspring2 = [parent2(1:point), parent1(point+1:end)];
end

function fitness = evaluate_Fitness(population, weights, values, capacity)
popSize = length(population);
fitness = zeros(popSize, 1);
for i = 1:popSize
    totalWeight = sum(population(i, :) .* weights);
    totalValue = sum(population(i, :) .* values);
    if totalWeight <= capacity
        fitness(i) = totalValue;
    else
        fitness(i) = 0;
    end
end
end

function  new_individual= mutate(individual, mutationRate)
numItems = length(individual);
new_individual=individual;
i=randi([1, numItems]);
if rand < mutationRate
    new_individual(i) = 1 - individual(i);
else
    new_individual(i) = individual(i);
end
end

function selected_Population = selection(population, fitness)
totalFitness = sum(fitness);
[popSize, numItems]=size(population);
P_selection = fitness / totalFitness;
C_selection = cumsum(P_selection);
selected_Population = zeros(popSize, numItems);
for i = 1:popSize
    rand_Num = rand;
    for j = 1:popSize 
        if rand_Num <= C_selection(j)
            selected_Population(i, :) = population(j, :);
            break;
        end
    end
end
end