一、粒子群算法的概述
粒子群算法(PSO)属于群智能算法的一种,是通过模拟鸟群捕食行为设计的。假设区域里就只有一块食物(即通常优化问题中所讲的最优解),鸟群的任务是找到这个食物源。鸟群在整个搜寻的过程中,通过相互传递各自的信息,让其他的鸟知道自己的位置,通过这样的协作,来判断自己找到的是不是最优解,同时也将最优解的信息传递给整个鸟群,最终,整个鸟群都能聚集在食物源周围,即我们所说的找到了最优解,即问题收敛。
二、粒子群算法的流程
粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟,粒子仅具有两个属性:速度
和位置
,速度代表移动的快慢,位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值
,并将个体极值与整个粒子群里的其他粒子共享,找到最优的那个个体极值作为整个粒子群的当前全局最优解
,粒子群中的所有粒子根据自己找到的当前个体极值
和整个粒子群共享的当前全局最优解
来调整自己的速度和位置。粒子群算法的思想相对比较简单,主要分为:1、初始化粒子群;2、评价粒子,即计算适应值;3、寻找个体极值
;4、寻找全局最优解
;5、修改粒子的速度和位置。下面是程序的流程图:
![](https://i-blog.csdnimg.cn/blog_migrate/1f03cb6f98d8d14e6f0a2d48a176f116.jpeg)
(PSO流程)
下面我们具体解释下流程图里面的每一个步骤:
1、初始化
首先,我们需要设置最大的速度区间,防止超出最大的区间。位置信息即为整个搜索空间,我们在速度区间和搜索空间上随机初始化速度和位置。设置群体规模
。
2、个体极值与全局最优解
个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
3、更新速度和位置的公式
更新公式为:
其中,
称为惯性因子,
和
称为加速常数,一般取
。
表示区间
上的随机数。
表示第
个变量的个体极值的第
维。
表示全局最优解的第
维。
4、终止条件
有两种终止条件可以选择,一是最大代数:
;二是相邻两代之间的偏差在一个指定的范围内即停止。我们在实验中选择第一种。
三、实验
我们选择的测试函数是:Griewank。其基本形式如下:
图像为:
![](https://i-blog.csdnimg.cn/blog_migrate/f52449438c3970d48e39fd90bf34118e.jpeg)
(Griewank函数图像)
在实验中我们选择的维数是20;MATLAB程序代码如下:
主程序:
- c1=2;%学习因子
- c2=2;%学习因子
- Dimension=20;
- Size=30;
- Tmax=500;
- Velocity_max=1200;%粒子最大速度
- F_n=2;%测试函数名
- Fun_Ub=600;%函数上下界
- Fun_Lb=-600;
- Position=zeros(Dimension,Size);%粒子位置
- Velocity=zeros(Dimension,Size);%粒子速度
- Vmax(1:Dimension)=Velocity_max;%粒子速度上下界
- Vmin(1:Dimension)=-Velocity_max;
- Xmax(1:Dimension)=Fun_Ub;%粒子位置上下界,即函数自变量的上下界
- Xmin(1:Dimension)=Fun_Lb;
- [Position,Velocity]=Initial_position_velocity(Dimension,Size,Xmax,Xmin,Vmax,Vmin);
- Pbest_position=Position;%粒子的历史最优位置,初始值为粒子的起始位置,存储每个粒子的历史最优位置
- Gbest_position=zeros(Dimension,1);%全局最优的那个粒子所在位置,初始值认为是第1个粒子
- for j=1:Size
- Pos=Position(:,j);%取第j列,即第j个粒子的位置
- fz(j)=Fitness_Function(Pos,F_n,Dimension);%计算第j个粒子的适应值
- end
- [Gbest_Fitness,I]=min(fz);%求出所有适应值中最小的那个适应值,并获得该粒子的位置
- Gbest_position=Position(:,I);%取最小适应值的那个粒子的位置,即I列
- for itrtn=1:Tmax
- time(itrtn)=itrtn;
- Weight=1;
- r1=rand(1);
- r2=rand(1);
- for i=1:Size
- Velocity(:,i)=Weight*Velocity(:,i)+c1*r1*(Pbest_position(:,i)-Position(:,i))+c2*r2*(Gbest_position-Position(:,i));
- end
- %限制速度边界
- for i=1:Size
- for row=1:Dimension
- if Velocity(row,i)>Vmax(row)
- Veloctity(row,i)=Vmax(row);
- elseif Velocity(row,i)<Vmin(row)
- Veloctity(row,i)=Vmin(row);
- else
- end
- end
- end
- Position=Position+Velocity;
- %限制位置边界
- for i=1:Size
- for row=1:Dimension
- if Position(row,i)>Xmax(row)
- Position(row,i)=Xmax(row);
- elseif Position(row,i)<Xmin(row)
- Position(row,i)=Xmin(row);
- else
- end
- end
- end
- for j=1:Size
- P_position=Position(:,j)';%取一个粒子的位置
- fitness_p(j)=Fitness_Function(P_position,F_n,Dimension);
- if fitness_p(j)< fz(j) %粒子的适应值比运动之前的适应值要好,更新原来的适应值
- Pbest_position(:,j)=Position(:,j);
- fz(j)=fitness_p(j);
- end
- if fitness_p(j)<Gbest_Fitness
- Gbest_Fitness=fitness_p(j);
- end
- end
- [Gbest_Fitness_new,I]=min(fz);%更新后的所有粒子的适应值,取最小的那个,并求出其编号
- Best_fitness(itrtn)=Gbest_Fitness_new; %记录每一代的最好适应值
- Gbest_position=Pbest_position(:,I);%最好适应值对应的个体所在位置
- end
- plot(time,Best_fitness);
- xlabel('迭代的次数');ylabel('适应度值P_g');
初始化:
- function [Position,Velocity] = Initial_position_velocity(Dimension,Size,Xmax,Xmin,Vmax,Vmin)
- for i=1:Dimension
- Position(i,:)=Xmin(i)+(Xmax(i)-Xmin(i))*rand(1,Size); % 产生合理范围内的随机位置,rand(1,Size)用于产生一行Size个随机数
- Velocity(i,:)=Vmin(i)+(Vmax(i)-Vmin(i))*rand(1,Size);
- end
- end
适应值计算:
- function Fitness=Fitness_Function(Pos,F_n,Dimension)
- switch F_n
- case 1
- Func_Sphere=Pos(:)'*Pos(:);
- Fitness=Func_Sphere;
- case 2
- res1=Pos(:)'*Pos(:)/4000;
- res2=1;
- for row=1:Dimension
- res2=res2*cos(Pos(row)/sqrt(row));
- end
- Func_Griewank=res1-res2+1;
- Fitness=Func_Griewank;
- end
最终的收敛曲线:
![](https://i-blog.csdnimg.cn/blog_migrate/61cb0b9bd0bdaa80d7ae2fb13604b189.jpeg)
(收敛曲线)