粒子群算法

于 2017-03-17 13:23:35 发布
阅读量473 收藏 3
点赞数 1
分类专栏： 算法 文章标签： PSO

标准粒子群算法的实现 

      标准粒子群算法的实现思想基本按照粒子群算法(2)—-标准的粒子群算法的讲述实现。主要分为3个函数。第一个函数为粒子群初始化函数

InitSwarm(SwarmSize……AdaptFunc)其主要作用是初始化粒子群的粒子，并设定粒子的速度、位置在一定的范围内。本函数所采用的数据结构如下所示：

表ParSwarm记录的是粒子的位置、速度与当前的适应度值，我们用W来表示位置，用V来代表速度，用F来代表当前的适应度值。在这里我们假设粒子个数为N，每个粒子的维数为D。

W1,1W1,2…W1,DV1,1V1,2…V1,D-1V1,DF1第1个粒子
W2,1W2,2…W2,DV2,1V2,2…V2,D-1V2,DF2第2个粒子
……………………………….
WN-1,1WN-1,2…WN-1,D-1VN-1,1VN-1,2…VN-1,D-1VN-1,DFN-1第N-1个粒子
WN,1WN,2…WN,DVN,1VN,2…VN,D-1VN,DFN第N个粒子

  表OptSwarm记录每个粒子的历史最优解（粒子历史最好的适应度）以及全部粒子搜索到的全局最优解。用Wg代表全局最优解，W.,1代表每个粒子的历史最优解。粒子群初始化阶段表OptSwarm的前N行与表ParSwarm中的相同，而Wg的值为表ParSwarm中适应度值的最大值对应的行。

Wj,1Wj,2…Wj,D-1Wj,D第1个粒子的历史最优解
Wk,1Wk,2…Wk,D-1Wk,D第2个粒子的历史最优解
………………
Wl,1Wl,2…Wl,D-1Wl,D第N-1个粒子的历史最优解
Wm,1Wm,2…Wm,D-1Wm,D第N个粒子的历史最优解
Wg,1Wg,2…Wg,D-1Wg,D全局粒子的历史最优解

根据这样的思想MATLAB代码如下：

 

function [ParSwarm,OptSwarm] = InitSwarm(SwarmSize,ParticleSize,ParticleScope,AdaptFunc)
% 功能描述：初始化粒子群，限定粒子群的位置以及速度在指定的范围内
% [ParSwarm,OptSwarm,BadSwarm] = InitSwarm(SwarmSize,ParticleSize,ParticleScope,AdaptFunc)
%
% 输入参数：SwarmSize:种群大小的个数
% 输入参数：ParticleSize：一个粒子的维数
% 输入参数：ParticleScope:一个粒子在运算中各维的范围；
%          ParticleScope格式:
%            3维粒子的ParticleScope格式:
%                                    [x1Min,x1Max
%                                     x2Min,x2Max
%                                     x3Min,x3Max]
%
% 输入参数：AdaptFunc：适应度函数
%
% 输出：ParSwarm初始化的粒子群
% 输出：OptSwarm粒子群当前最优解与全局最优解
%
% 用法[ParSwarm,OptSwarm,BadSwarm] = InitSwarm(SwarmSize,ParticleSize,ParticleScope,AdaptFunc);
%
% 异常：首先保证该文件在Matlab的搜索路径中，然后查看相关的提示信息。
%
% 编制人：XXX
% 编制时间： 2007.3 . 26
% 参考文献：无
%

% 容错控制
if  nargin ~= 4
    error( ’ 输入的参数个数错误。 ’ )
end
if  nargout < 2
    error( ’ 输出的参数的个数太少，不能保证以后的运行。 ’ );
end

[row,colum] = size(ParticleSize);
if  row > 1 | colum > 1
    error( ’ 输入的粒子的维数错误，是一个1行1列的数据。 ’ );
end
[row,colum] = size(ParticleScope);
if  row ~= ParticleSize | colum ~= 2
    error( ’ 输入的粒子的维数范围错误。 ’ );
end

% 初始化粒子群矩阵

% 初始化粒子群矩阵，全部设为[0 - 1 ]随机数
% rand( ’ state ’ ,0);
ParSwarm = rand(SwarmSize, 2 * ParticleSize + 1 );

% 对粒子群中位置,速度的范围进行调节
for  k = 1 :ParticleSize
    ParSwarm(:,k) = ParSwarm(:,k) * (ParticleScope(k, 2 ) - ParticleScope(k, 1 )) + ParticleScope(k, 1 );
     % 调节速度，使速度与位置的范围一致
    ParSwarm(:,ParticleSize + k) = ParSwarm(:,ParticleSize + k) * (ParticleScope(k, 2 ) - ParticleScope(k, 1 )) + ParticleScope(k, 1 );
end
    
% 对每一个粒子计算其适应度函数的值

for  k = 1 :SwarmSize
    ParSwarm(k, 2 * ParticleSize + 1 ) = AdaptFunc(ParSwarm(k, 1 :ParticleSize));
end

% 初始化粒子群最优解矩阵
OptSwarm = zeros(SwarmSize + 1 ,ParticleSize);
% 粒子群最优解矩阵全部设为零
[maxValue,row] = max(ParSwarm(:, 2 * ParticleSize + 1 ));
% 寻找适应度函数值最大的解在矩阵中的位置(行数)
OptSwarm = ParSwarm( 1 :SwarmSize, 1 :ParticleSize);
OptSwarm(SwarmSize + 1 ,:) = ParSwarm(row, 1 :ParticleSize);

下面的函数BaseStepPso实现了标准全局版粒子群算法的单步更新位置速度的功能

 

function [ParSwarm , OptSwarm] = BaseStepPso ( ParSwarm , OptSwarm , AdaptFunc , ParticleScope , MaxW , MinW , LoopCount , CurCount )
%功能描述：全局版本：基本的粒子群算法的单步更新位置 , 速度的算法
%
%[ParSwarm , OptSwarm] = BaseStepPso ( ParSwarm , OptSwarm , AdaptFunc , ParticleScope , MaxW , MinW , LoopCount , CurCount )
%
%输入参数：ParSwarm :粒子群矩阵 ，包含粒子的位置，速度与当前的目标函数值
%输入参数：OptSwarm：包含粒子群个体最优解与全局最优解的矩阵
%输入参数：ParticleScope :一个粒子在运算中各维的范围 ；
%输入参数：AdaptFunc：适应度函数
%输入参数：LoopCount：迭代的总次数
%输入参数：CurCount：当前迭代的次数
%
%返回值：含意同输入的同名参数
%
%用法：[ParSwarm , OptSwarm] = BaseStepPso ( ParSwarm , OptSwarm , AdaptFunc , ParticleScope , MaxW , MinW , LoopCount , CurCount )
%
%异常：首先保证该文件在Matlab的搜索路径中，然后查看相关的提示信息。
%
%编制人：XXX
%编制时间： 2007.3 . 26
%参考文献：XXX
%参考文献：XXX
%
%修改记录
%—————————————————————-
%2007 . 3.27
%修改人：XXX
% 添加2*unifrnd ( 0 , 1 ). *SubTract1 ( row , : ) 中的unifrnd ( 0 , 1 ) 随机数，使性能大为提高
%参照基于MATLAB的粒子群优化算法程序设计
%
% 总体评价：使用这个版本的调节系数，效果比较好
%

%容错控制
if  nargin~ = 8
    error ( ‘输入的参数个数错误。’ )
end
if  nargout~ = 2
    error ( ‘输出的个数太少，不能保证循环迭代。’ )
end

%开始单步更新的操作

%*********************************************
%*****更改下面的代码，可以更改惯性因子的变化*****
%———————————————————————
%线形递减策略
w = MaxW-CurCount* (( MaxW-MinW )/ LoopCount );
%———————————————————————
%w固定不变策略
%w = 0.7 ;
%———————————————————————
%参考文献：陈贵敏，贾建援，韩琪，粒子群优化算法的惯性权值递减策略研究，西安交通大学学报， 2006 ， 1
%w非线形递减，以凹函数递减
%w =( MaxW-MinW ) * ( CurCount / LoopCount ) ^ 2 +( MinW-MaxW ) * ( 2 *CurCount / LoopCount )+ MaxW ;
%———————————————————————
%w非线形递减，以凹函数递减
%w = MinW* ( MaxW / MinW ) ^ ( 1 /( 1 + 10 *CurCount / LoopCount ));
%*****更改上面的代码，可以更改惯性因子的变化*****
%*********************************************

%得到粒子群群体大小以及一个粒子维数的信息
[ParRow , ParCol] = size ( ParSwarm );
%得到粒子的维数
ParCol =( ParCol- 1 )/ 2 ;
SubTract1 = OptSwarm ( 1 :ParRow , : ) -ParSwarm ( : , 1 :ParCol );

%*********************************************
%*****更改下面的代码，可以更改c1 , c2的变化*****
c1 = 2 ;
c2 = 2 ;
%———————————————————————
%con = 1 ;
%c1 = 4 -exp ( -con*abs ( mean ( ParSwarm ( : , 2 *ParCol + 1 )) -AdaptFunc ( OptSwarm ( ParRow + 1 , : ))));
%c2 = 4 -c1 ;
%———————————————————————-
%*****更改上面的代码，可以更改c1 , c2的变化*****
%*********************************************
for  row = 1 :ParRow
   SubTract2 = OptSwarm ( ParRow + 1 , : ) -ParSwarm ( row , 1 :ParCol );
   TempV = w . *ParSwarm ( row , ParCol + 1 : 2 *ParCol )+ 2 *unifrnd ( 0 , 1 ). *SubTract1 ( row , : )+ 2 *unifrnd ( 0 , 1 ). *SubTract2 ;
   %限制速度的代码
    for  h = 1 :ParCol
        if  TempV ( : , h )> ParticleScope ( h , 2 )
           TempV ( : , h )= ParticleScope ( h , 2 );
        end
        if  TempV ( : , h )< -ParticleScope ( h , 2 )
           TempV ( : , h )= -ParticleScope ( h , 2 )+ 1e-10 ;
           %加1e-10防止适应度函数被零除
        end
    end   
   
   %更新速度
   ParSwarm ( row , ParCol + 1 : 2 *ParCol )= TempV ;
   
   %*********************************************
   %*****更改下面的代码，可以更改约束因子的变化*****
   %———————————————————————
   %a = 1 ;
   %———————————————————————
   a = 0.729 ;
   %*****更改上面的代码，可以更改约束因子的变化*****
   %*********************************************
   
   %限制位置的范围
   TempPos = ParSwarm ( row , 1 :ParCol )+ a*TempV ;
    for  h = 1 :ParCol
        if  TempPos ( : , h )> ParticleScope ( h , 2 )
           TempPos ( : , h )= ParticleScope ( h , 2 );
        end
        if  TempPos ( : , h )<= ParticleScope ( h , 1 )
           TempPos ( : , h )= ParticleScope ( h , 1 )+ 1e-10 ;            
        end
    end

   %更新位置 
   ParSwarm ( row , 1 :ParCol )= TempPos ;
   
   %计算每个粒子的新的适应度值
   ParSwarm ( row , 2 *ParCol + 1 )= AdaptFunc ( ParSwarm ( row , 1 :ParCol ));
    if  ParSwarm ( row , 2 *ParCol + 1 )> AdaptFunc ( OptSwarm ( row , 1 :ParCol ))
       OptSwarm ( row , 1 :ParCol )= ParSwarm ( row , 1 :ParCol );
    end
end
%for循环结束

%寻找适应度函数值最大的解在矩阵中的位置 ( 行数 ) ，进行全局最优的改变 
[maxValue , row] = max ( ParSwarm ( : , 2 *ParCol + 1 ));
if  AdaptFunc ( ParSwarm ( row , 1 :ParCol ))> AdaptFunc ( OptSwarm ( ParRow + 1 , : ))
    OptSwarm ( ParRow + 1 , : )= ParSwarm ( row , 1 :ParCol );
end

这两个函数给出以后，需要一个函数来把这两个函数组装起来，以此实现一个完整的粒子群算法，这个函数就是PsoProcess

代码如下：

function [Result , OnLine , OffLine , MinMaxMeanAdapt] = PsoProcess ( SwarmSize , ParticleSize , ParticleScope , InitFunc , StepFindFunc , AdaptFunc , IsStep , IsDraw , LoopCount , IsPlot )
%功能描述：一个循环n次的PSO算法完整过程，返回这次运行的最小与最大的平均适应度 , 以及在线性能与离线性能
%[Result , OnLine , OffLine , MinMaxMeanAdapt] = PsoProcess ( SwarmSize , ParticleSize , ParticleScope , InitFunc , StepFindFunc , AdaptFunc , IsStep , IsDraw , LoopCount , IsPlot )
%输入参数：SwarmSize :种群大小的个数
%输入参数：ParticleSize：一个粒子的维数
%输入参数：ParticleScope :一个粒子在运算中各维的范围 ；
%         ParticleScope格式:
%           3维粒子的ParticleScope格式:
%                                   [x1Min , x1Max
%                                    x2Min , x2Max
%                                    x3Min , x3Max]
%
%输入参数 :InitFunc:初始化粒子群函数
%输入参数 :StepFindFunc:单步更新速度 ，位置函数
%输入参数：AdaptFunc：适应度函数
%输入参数：IsStep：是否每次迭代暂停；IsStep＝ 0 ，不暂停，否则暂停。缺省不暂停
%输入参数：IsDraw：是否图形化迭代过程；IsDraw＝ 0 ，不图形化迭代过程，否则，图形化表示。缺省不图形化表示
%输入参数：LoopCount：迭代的次数；缺省迭代100次
%输入参数：IsPlot：控制是否绘制在线性能与离线性能的图形表示；IsPlot = 0 , 不显示；
%                 IsPlot = 1 ；显示图形结果。缺省IsPlot = 1
%
%返回值：Result为经过迭代后得到的最优解
%返回值：OnLine为在线性能的数据
%返回值：OffLine为离线性能的数据
%返回值：MinMaxMeanAdapt为本次完整迭代得到的最小与最大的平均适应度
%
%用法[Result , OnLine , OffLine , MinMaxMeanAdapt] = PsoProcess ( SwarmSize , ParticleSize , ParticleScope , InitFunc , StepFindFunc , AdaptFunc , IsStep , IsDraw , LoopCount , IsPlot );
%
%异常：首先保证该文件在Matlab的搜索路径中，然后查看相关的提示信息。
%
%编制人：XXX
%编制时间： 2007.3 . 26
%参考文献：XXX XX %

%修改记录：
%添加MinMaxMeanAdapt，以得到性能评估数据
%修改人：XXX
%修改时间： 2007.3 . 27
%参考文献：XXX .

%容错控制
if  nargin < 4
    error ( ‘输入的参数个数错误。’ )
end

[row , colum] = size ( ParticleSize );
if  row > 1 |colum > 1
    error ( ‘输入的粒子的维数错误，是一个1行1列的数据。’ );
end
[row , colum] = size ( ParticleScope );
if  row~ = ParticleSize|colum~ = 2
    error ( ‘输入的粒子的维数范围错误。’ );
end

%设置缺省值
if  nargin < 7
    IsPlot = 1 ;
    LoopCount = 100 ;
    IsStep = 0 ;
    IsDraw = 0 ;
end
if  nargin < 8
    IsPlot = 1 ;
    IsDraw = 0 ;
    LoopCount = 100 ;
end
if  nargin < 9
    LoopCount = 100 ;
    IsPlot = 1 ;
end
if  nargin < 10
    IsPlot = 1 ;
end

%控制是否显示2维以下粒子维数的寻找最优的过程
if  IsDraw~ = 0
    DrawObjGraphic ( ParticleSize , ParticleScope , AdaptFunc );
end

%初始化种群       
[ParSwarm , OptSwarm] = InitFunc ( SwarmSize , ParticleSize , ParticleScope , AdaptFunc )

%在测试函数图形上绘制初始化群的位置
if  IsDraw~ = 0
     if   1 == ParticleSize
     for  ParSwarmRow = 1 :SwarmSize
        plot ( [ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 1 ) ] , [ParSwarm ( ParSwarmRow , 3 ), 0 ] , ‘r*-‘ , ‘markersize’ , 8 );
        text ( ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 3 ), num2str ( ParSwarmRow ));
     end
end

     if   2 == ParticleSize
         for  ParSwarmRow = 1 :SwarmSize
            stem3 ( ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 2 ), ParSwarm ( ParSwarmRow , 5 ), ‘r . ’ , ‘markersize’ , 8 );
         end
     end
end
    
%暂停让抓图
if  IsStep~ = 0
    disp ( ‘开始迭代，按任意键：’ )
     pause
end

%开始更新算法的调用
for  k = 1 :LoopCount
    %显示迭代的次数：
    disp ( ‘———————————————————-‘ )
    TempStr = sprintf ( ‘第 %g 此迭代’ , k );
    disp ( TempStr );
    disp ( ‘———————————————————-‘ )
    
    %调用一步迭代的算法
    [ParSwarm , OptSwarm] = StepFindFunc ( ParSwarm , OptSwarm , AdaptFunc , ParticleScope , 0.95 , 0.4 , LoopCount , k )
    
    %在目标函数的图形上绘制2维以下的粒子的新位置
     if  IsDraw~ = 0
         if   1 == ParticleSize
             for  ParSwarmRow = 1 :SwarmSize
                plot ( [ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 1 ) ] , [ParSwarm ( ParSwarmRow , 3 ), 0 ] , ‘r*-‘ , ‘markersize’ , 8 );
                text ( ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 3 ), num2str ( ParSwarmRow ));
             end
         end

         if   2 == ParticleSize
             for  ParSwarmRow = 1 :SwarmSize
                stem3 ( ParSwarm ( ParSwarmRow , 1 ), ParSwarm ( ParSwarmRow , 2 ), ParSwarm ( ParSwarmRow , 5 ), ‘r . ’ , ‘markersize’ , 8 );
             end
         end
     end
    
    XResult = OptSwarm ( SwarmSize + 1 , 1 :ParticleSize );
    YResult = AdaptFunc ( XResult );     
     if  IsStep~ = 0
        XResult = OptSwarm ( SwarmSize + 1 , 1 :ParticleSize );
        YResult = AdaptFunc ( XResult );     
        str = sprintf ( ‘%g步迭代的最优目标函数值%g’ , k , YResult );
        disp ( str );
        disp ( ‘下次迭代，按任意键继续’ );
         pause
     end
    
    %记录每一步的平均适应度
    MeanAdapt ( 1 , k )= mean ( ParSwarm ( : , 2 *ParticleSize + 1 ));
end
%for循环结束标志

%记录最小与最大的平均适应度
MinMaxMeanAdapt = [min ( MeanAdapt ), max ( MeanAdapt ) ] ;
%计算离线与在线性能
for  k = 1 :LoopCount
    OnLine ( 1 , k )= sum ( MeanAdapt ( 1 , 1 :k ))/ k ;
    OffLine ( 1 , k )= max ( MeanAdapt ( 1 , 1 :k ));
end

for  k = 1 :LoopCount
    OffLine ( 1 , k )= sum ( OffLine ( 1 , 1 :k ))/ k ;
end

%绘制离线性能与在线性能曲线
if   1 == IsPlot
    figure
    hold  on
    title ( ‘离线性能曲线图’ )
    xlabel ( ‘迭代次数’ );
    ylabel ( ‘离线性能’ );
    grid  on
    plot ( OffLine );

    figure
    hold  on
    title ( ‘在线性能曲线图’ )
    xlabel ( ‘迭代次数’ );
    ylabel ( ‘在线性能’ );
    grid  on
    plot ( OnLine );
end

%记录本次迭代得到的最优结果
XResult = OptSwarm ( SwarmSize + 1 , 1 :ParticleSize );
YResult = AdaptFunc ( XResult );
Result = [XResult , YResult] ;

这里给出一个使用的例子代码，并分别解释各参数的含义：

%打开计时器
tic ;
%
Scope = [- 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50
    - 50   50 ] ;
[v , on , off , minmax] = PsoProcess ( 20 , 10 , Scope , @initswarm , @BasestepPSO , @Griewank , 0 , 0 , 4000 , 0 );
toc

在上面的代码中函数PsoProcess中的20代表粒子群的规模为20个，10代表每个粒子的维数为10，Scope是粒子的每一维的范围，同时也是速度的范围，@initswarm是初始化函数的句柄，@BasestepPSO是单步更新的函数句柄，@Griewank是适应度评价函数的句柄，4000代表真个算法循环4000次终止，其他参数参见说明文档。

 

Woniushu
关注
专栏目录
粒子群算法(5)-----标准粒子群算法的实现
niuyongjie的专栏
05-21 3万+
标准粒子群算法的实现       标准粒子群算法的实现思想基本按照粒子群算法(2)----标准的粒子群算法的讲述实现。主要分为3个函数。第一个函数为粒子群初始化函数InitSwarm(SwarmSize......AdaptFunc)其主要作用是初始化粒子群的粒子，并设定粒子的速度、位置在一定的范围内。本函数所采用的数据结构如下所示：表ParSwarm记录的是粒子的位置、速度与当前的适
智能算法（一）——基本粒子群算法
最新发布
j_jiajia的博客
07-16 973
使用粒子群优化（PSO）算法来解决Rosenbrock函数最小化问题的Python示例代码。此外，我还将包括一个使用matplotlib库来绘制每次迭代后找到的最佳解（即最小函数值）的图形。
代码 离散粒子群算法DPSO优化代码
06-04
代码 离散粒子群算法DPSO优化代码代码 离散粒子群算法DPSO优化代码代码 离散粒子群算法DPSO优化代码代码 离散粒子群算法DPSO优化代码代码 离散粒子群算法DPSO优化代码代码 离散粒子群算法DPSO优化代码代码 离散粒子...
粒子群算法求解机器人路径规划,粒子群算法的流程,Python
09-10
粒子群算法（Particle Swarm Optimization, PSO）是一种模拟自然界中鸟群或鱼群群体行为的优化算法，由Kennedy和Eberhart在1995年提出。它被广泛应用于解决复杂的连续函数优化、工程设计问题以及路径规划等领域，如...
基于粒子群算法的PID控制器优化设计.rar_PID 粒子群_优化PID matlab_粒子群pid控制_粒子群算法 PID_
07-15
标题中的“基于粒子群算法的PID控制器优化设计”是指在控制系统中使用粒子群优化算法（PSO）来改进传统的比例积分微分（PID）控制器的参数设置，以达到更好的控制性能。粒子群算法是一种仿生优化算法，源自对鸟群或...
粒子群算法的源代码,粒子群算法python代码,matlab
09-10
粒子群算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化方法，源自对鸟群飞行行为的研究。这种算法在解决复杂多模态优化问题时表现出色，尤其在工程、机器学习和路径规划等领域有着广泛的应用。在...
标准粒子群算法(PSO)与差分算法(DE)的matlab源码
11-09
标准粒子群算法(PSO)与差分算法(DE)的matlab源码
标准粒子群算法
03-18
标准的PSO代码 MATLAB直接运行。其中 main是主函数，点击运行即可
粒子群算法matlab
10-31
粒子群算法matlab，粒子群算法matlab，粒子群算法matlab
粒子群算法（MATLAB）
01-21
function[xm,fv]=POS(fitness,N,c1,c2,w,M,D)
粒子群算法详解与应用
"粒子群算法是一种基于群体智能的优化方法，起源于对自然界中鸟群或鱼群等动物群体行为的模拟。它通过模拟粒子在搜索空间中的运动来寻找全局最优解。 算法介绍： 粒子群算法（PSO, Particle Swarm Optimization）是...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
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。

余额充值