应用学习（二）：粒子群算法1

浩者不入爱河

已于 2024-01-16 22:45:17 修改

阅读量1.8k

点赞数 35

文章标签：算法学习

于 2024-01-16 19:19:04 首次发布

本文链接：https://blog.csdn.net/qq_45802603/article/details/135632753

版权

本文详细介绍了粒子群算法的工作原理，包括粒子在解空间的运动机制、关键参数如pbest和gbest的作用，以及Matlab代码示例用于求解函数最小值。算法利用群体经验和个体经验调整粒子路径，具有简单实现和快速收敛的特点。

摘要由CSDN通过智能技术生成

粒子群算法学习

一、简介~

因鸟而起~：

1995年，美国社会心理学者James Kennedy和电气工程师Russell Eberhart合作提出了粒子群算法。他们在模拟鸟群觅食的社会模型时获得了启发，将这个模型应用到优化问题求解中,开发出了粒子群算法。
该算法模拟鸟群觅食的行为，每个解对应一个鸟，称为“粒子”。粒子在解空间飞行，当粒子发现更好的解时，会向那里飞行。全体粒子最终会聚集到最优解处。
粒子群算法借鉴了遗传算法的思想，但它没有遗传算法的选育、交叉、变异等操作。其只根据粒子本身经验和群体经验来调整粒子的飞翔方向和速度。
与遗传算法等其他群智能优化算法相比，粒子群算法具有计算简单、易实现、快速收敛等特点，因此应用广泛。

二、粒子群优化~

2.1 工作原理

假设有一群鸟在某个区域觅食，目标是找到食物最丰富的地方。

每只鸟可以看作一个"粒子"，它可以在区域内飞翔，代表算法中的一个潜在解。
每只鸟有一个当前位置(解)和飞翔速度。它会根据自身以往的觅食经验，和群体中其他鸟所传递的食物信息，来调整自己的飞行方向和速度。
每只鸟都记载着它自己发现过的食物最丰富的位置(个体经验最优，pbest)。整群鸟发现的食物最丰富区域就是全局最优(gbest)。
随着时间的迭代，每只鸟根据下式更新自己的速度和位置：
新速度 = 旧速度 + 自身经验 + 群体经验
新位置 = 旧位置 + 新速度
自身经验是它飞向自己最佳地点的趋势，群体经验是它飞向群体最佳地点的趋势。
通过这个更新过程，整群鸟会最终聚集在食物最多的那片区域。

2.2 基本参数

$S(n)=\{s_1,s_2,\dots,s_n\}$ 表示一大群粒子集合
$s_i$ 表示群体中具有位置 $p_i$ 和速度 $v_i$ 的个体
$p_i$ 为粒子 $s_i$ 的位置
$v_i$ 为粒子在 $p_i$ 位置的速度
$p b es t$ 为单个粒子的最优解（经验）
$g b es t$ 为粒子群的最优解（经验），也就是全局最优解
$f$ 为适应度函数
$c_1,c_2$ 为加速度函数（认知和社会参数）
$r_1,r_2$ 为介于0~1之间的随机数
$t$ 为迭代次数

2.3 迭代方程

$\begin{equation} v^{t+1}_i=wv^t_i+c_1r_1(pbest^t_i-p^t_i)+c_2r_2(gbest^t-p^t_i) \end{equation}$

$\begin{equation} p^{t+1}_i=p^t_i+v^{t+1}_i \end{equation}$

式(1)为速度更新方程，式(2)为位置更新方程。

$v^t_i$ 上一次迭代的速度；
$c_1r_1(pbest^t_i-p^t_i)$ 代表粒子本身经验的影响， $c_1$ 为粒子本身经验对自身的置信度， $r_1$ 为自身经验影响的随机效应；
$c_2r_2(gbest^t-pt_i) $ 代表社会经验对粒子的影响， $c_2$ 为社会经验对自身的置信度， $r_2$ 为社会经验影响的随机效应；
根据新得到的速度 $v^{t+1}_i$ 来更新位置 $p^{t+1}_i$ ；
$w$ 为对上一次动作的信任程度，一种自适应调整的策略，随着迭代次数的增加，惯性权重 $w$ 不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，在后期具有较强的局部收敛能力；

粒子当前位置 $p_i$ 的个体经验会驱使它走向 $pbest_i$ 处，但是收到群体经验的影响粒子也会趋向 $gbest_i$ 处，根据其他因素 $c_1,c_2,r_1,r_2$ 的影响粒子同时会进行方向折中（两个方向都沾点)和幅度折中（两个方向的比例都沾点），根据式(1)可以得出最后的速度，从而驱动粒子从当前位置 $p_i$ 走向新的位置，从而完成迭代。

2.4 优化步骤

三、优化举例~

3.1 问题描述

Example:

已知函数
$y=f(x_1,x_2)=x_1^2+x_2^2$
其中
$\leq x_1,x_2\leq 10$
求解y的最小值

3.2 Matlab代码

clc;clear;close all;
%% 功能 PSO算法求最小值
%% 说明
% PSO算法，寻找函数y的最小值
% 其中        y = f(x1,x2) = x1^2+x2^2
% x的范围     -10 <= x1,x2 <= 10
% 无惯性因子w或w=1，维度为1
%% 参数
%  v_max :粒子速度最大值
%  v_min :粒子速度最小值
%  p_max :粒子位置最大值
%  p_min :粒子位置最小值
%  p_num :粒子个数
%  fvar  :目标函数自变量个数function varries
%  t     :迭代次数
%  t_max :最大迭代次数
%  pos   :粒子位置向量position
%  spd   :粒子速度向量speed
%  pbest :粒子个体最优解（经验）
%  gbest :粒子群体最优解（经验）
%  c1    :粒子的个体学习因子
%  c2    :粒子的社会学习因子
%  p_cfit:粒子当前适应度向量current fitness
%  p_bfit:粒子最优适应度向量best fitness
%  g_bfit:粒子群体最优适应度
%  g_bs  :存储向量->粒子群体最优适应度
%  cond1 :群体最优适应度<cond1退出循环

%% 基本常量初始化
p_num = 20;
fvar = 2;
cond1 = 0;
v_max = 4;
v_min = -2;
p_max = 10;
p_min = -10;
c1 = 2;
c2 = 2;
t = 1;
t_max = 300;
p_cfit = zeros(p_num,1);
g_bs = zeros(t_max,1);

%% 主函数
%初始化粒子速度和位置
[spd,pos]= Init_pos_spd(v_min,v_max,p_num,fvar,p_min,p_max);
%初始化适应度函数值
[pbest,p_bfit,g_bfit,gbest] = Init_fits(p_num,pos,p_cfit);

while (t < t_max)%退出条件1：超过最大迭代次数
    % 1.更新速度和位置
    [pos,spd] = update_pos_spd(p_num,spd,pos,c1,c2,pbest, ...
                              gbest,fvar,v_min,v_max,p_min,p_max);
    % 2.更新适应度函数值
    [g_bfit,gbest,pbest,p_bfit] = update_fits(p_num,pos,p_bfit,p_cfit,pbest);
    % 存储全局最优自适应函数值
    g_bs(t) = g_bfit; 
    % 退出条件2：群体最优适应度 < cond1提前退出循环
    if g_bfit < cond1
        break
    end
    % 迭代+1
    t = t + 1;
end

figure(1)
set(gcf,'color','white');
plot(1:length(g_bs),g_bs)


%% 函数块
function [fitness] = fit_fn(p)
% 适应度函数，计算粒子适应度
fitness = p(1)^2 + p(2)^2;
end

function [g_bfit,gbest,pbest,p_bfit] = update_fits(p_num,pos,p_bfit,p_cfit,pbest)
% 更新适应度函数值
	for i=1:p_num
		p_cfit(i)=fit_fn(pos(i,:));
		if p_cfit(i) < p_bfit(i)
		    p_bfit(i) = p_cfit(i);
			pbest(i,:) = pos(i,:);
		end
	end
	[g_bfit,min_index]=min(p_bfit);
    gbest = pbest(min_index);
end

function [position,speed] = update_pos_spd(p_num,spd,pos,c1,c2,pbest, ...
                              g_best,fvar,v_min,v_max,p_min,p_max)
% 更新速度和位置，加边界约束
    for i=1:p_num
            %更新速度向量
            spd(i) = spd(i) + c1*rand*(pbest(i)-pos(i))+c2*rand*(g_best-pos(i));
            %如果速度越界则取边界值
            for j=1:fvar
                if spd(i,j) < v_min
                    spd(i,j) = v_min;
                end
                if spd(i,j) > v_max
                    spd(i,j) = v_max;
                end
            end
            %更新位置向量
            pos(i) = pos(i) + spd(i);
            %如果位置越界则取边界值
            for j=1:fvar
                if pos(i,j) < p_min
                    pos(i,j) = p_min;
                end
                if pos(i,j) > p_max
                    pos(i,j) = p_max;
                end
            end
    end
    position = pos;
    speed = spd;
end

function [speed,position] = Init_pos_spd(v_min,v_max,p_num,fvar,p_min,p_max)
% 初始化速度、位置向量
speed = v_min + (v_max - v_min)*rand(p_num,fvar);
position = p_min + (p_max - p_min)*rand(p_num,fvar);
end

function [pbest,p_bfit,g_bfit,gbest] = Init_fits(p_num,pos,p_cfit)
%初始化粒子适应度和群体适应度
for i=1:p_num
        p_cfit(i)=fit_fn(pos(i,:));	
end
pbest = pos;
p_bfit = p_cfit;
[g_bfit,min_index] = min(p_bfit);
gbest = pbest(min_index);
end