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。
W1,1 | W1,2 | … | W1,D | V1,1 | V1,2 | … | V1,D-1 | V1,D | F1 | 第1个粒子 |
W2,1 | W2,2 | … | W2,D | V2,1 | V2,2 | … | V2,D-1 | V2,D | F2 | 第2个粒子 |
… | … | … | … | … | … | … | … | … | … | ……. |
WN-1,1 | WN-1,2 | … | WN-1,D-1 | VN-1,1 | VN-1,2 | … | VN-1,D-1 | VN-1,D | FN-1 | 第N-1个粒子 |
WN,1 | WN,2 | … | WN,D | VN,1 | VN,2 | … | VN,D-1 | VN,D | FN | 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,1 | Wj,2 | … | Wj,D-1 | Wj,D | 第1个粒子的历史最优解 |
Wk,1 | Wk,2 | … | Wk,D-1 | Wk,D | 第2个粒子的历史最优解 |
… | … | … | … | … | … |
Wl,1 | Wl,2 | … | Wl,D-1 | Wl,D | 第N-1个粒子的历史最优解 |
Wm,1 | Wm,2 | … | Wm,D-1 | Wm,D | 第N个粒子的历史最优解 |
Wg,1 | Wg,2 | … | Wg,D-1 | Wg,D | 全局粒子的历史最优解 |
根据这样的思想MATLAB代码如下:
% 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
%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:
%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:
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。
附注:本文为转载文章
出处: http://blog.csdn.net/niuyongjie/article/details/1619393
原作者:niuyongjie