MATLAB 怎么测最优,PSO测试函数——哪位大神帮帮忙，最优值该怎么输出

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。

您需要 登录 才可以下载或查看，没有帐号？注册

x

分别有7个测试函数，case1-7，第10行的F_n=1是测试一个函数，=2是测试第二个函数，以此类推，输出的内容有粒子搜索动态图和收敛曲线图，但没有输出结果，看不懂最优值该怎么输出，所以主要想解决输出最优值的问题。谢谢

function PSOstandard_benchmarks_Test

clear all;

close all;

clc

c1=1.49445;c2=1.49445;%

global dimension  Size

dimension=40;Size=40;%种群维数 dimension、规模 Size

Tmax=1000;%%最大迭代次数 Tmax

%%选择不同测试函数的速度和位置限制范围%%

F_n=1;

switch F_n

case 1   %%  f1_Sphere                    %%

Vmax(1:dimension)= 30;  Vmin(1:dimension)=-30;

Xmax(1:dimension)= 30;  Xmin(1:dimension)=-30;

case 2   %%  f2_Quadric    [-100,100]     %%

Vmax(1:dimension)= 100;  Vmin(1:dimension)=-100;

Xmax(1:dimension)= 100;  Xmin(1:dimension)=-100;

case 3   %%  f3_Ackley     [-30,30]       %%

Vmax(1:dimension)= 30;  Vmin(1:dimension)=-30;

Xmax(1:dimension)= 30;  Xmin(1:dimension)=-30;

case 4   %%  f4_griewank   [-600,600]     %%

Vmax(1:dimension)= 600;  Vmin(1:dimension)=-600;

Xmax(1:dimension)= 600;  Xmin(1:dimension)=-600;

case 5   %%  f5_Rastrigin  [-5.12,5.12]   %%

Vmax(1:dimension)= 5.12;  Vmin(1:dimension)=-5.12;

Xmax(1:dimension)= 5.12;  Xmin(1:dimension)=-5.12;

case 6   %%  f6_Rosenbrock [-2.408,2.408] %%

Vmax(1:dimension)= 2.408;  Vmin(1:dimension)=-2.408;

Xmax(1:dimension)= 2.408;  Xmin(1:dimension)=-2.408;

case 7   %%  f7_Schaffer's f6 %%

Vmax(1:dimension)= 2.408;  Vmin(1:dimension)=-2.408;

Xmax(1:dimension)= 2.408;  Xmin(1:dimension)=-2.408;

end

%%三维显示粒子群运动变化%%

global Swarmscope;

Swarmscope = plot(0,0, '.');

axis([Xmin(1) Xmax(1) Xmin(2) Xmax(2) Xmin(3) Xmax(3)]);   %初始轴的范围的设置

%  axis square;

grid on;

set(Swarmscope,'EraseMode','xor','MarkerSize',12); %设置用来显示粒子.

%%initial Position Velocity%%

Position=zeros(dimension,Size);%以后位置Position统一为此种记法：行 dimension；列 Size；

Velocity=zeros(dimension,Size);%每个粒子的位置、速度对应于一列。

[Position,Velocity]=initial_Position_Velocity(dimension,Size,Xmax,Xmin,Vmax,Vmin);

%%个体最优 P_p 和全局最优 globe 初始赋值%%

P_p=Position;globe=zeros(dimension,1);

%%评价每个粒子适应值，寻找出 globle%%

for j=1:Size

Pos=Position(:,j);

fz(j)=Fitness_Function(Pos,F_n);

end

[P_g,I]=min(fz);%P_g  1*1 ?

globe=Position(:,I);

%%打散参数设置%%

N_dismiss=51;%太小，不利于初始寻优

N_dismissed=0;%记录被打散的次数

deltaP_gg=0.001;%种群过分收敛衡量标准值(适应度变化率)

%  reset = 1;  %设置reset = 1时指示粒子群过分收敛时将被打散，如果reset＝0则不打散

reset_dismiss = 0;

%%迭代开始%%

for itrtn=1:Tmax

time(itrtn)=itrtn;

%%过于集中时打散%%

if reset_dismiss==1

bit=1;

if itrtn>N_dismiss

bit=bit&((P_gg(itrtn-1)-P_gg(itrtn-N_dismiss))/P_gg(itrtn-1)< deltaP_gg);

if bit==1

[Position,Velocity]=initial_Position_Velocity(dimension,Size,Xmax,Xmin,Vmax,Vmin);%重新初始化位置和速度

N_dismissed=N_dismissed+1;

N_dismissed

warning('粒子过分集中！重新初始化……');      %   给出信息

itrtn

end

end

end

Weight=0.4+0.5*(Tmax-itrtn)/Tmax;

%        Weight=1;

r1=rand(1);r2=rand(1);

for i=1:Size

Velocity(:,i)=Weight*Velocity(:,i)+c1*r1*(P_p(:,i)-Position(:,i))+c2*r2*(globe-Position(:,i));%速度更新

end

%%速度限制%%

for i=1:Size

%%引入速度边界变异%%

%         Vout_max=max(Velocity(:,i));

%         Vout_min=min(Velocity(:,i));

%         if Vout_max

jj=1;

K=ones(dimension,1);

for row=1:dimension

if Velocity(row,i)>Vmax(row)

K(jj)=Vmax(row)/Velocity(row,i);

jj=jj+1;

elseif Velocity(row,i)

K(jj)=Vmin(row)/Velocity(row,i);

jj=jj+1;

else

end

end

Kmin=min(K);

for row=1:dimension

if Velocity(row,i)>Vmax(row)

Velocity(row,i)=Velocity(row,i)*Kmin;

elseif Velocity(row,i)

Velocity(row,i)=Velocity(row,i)*Kmin;

else

end

end

end

%      K

Position=Position+Velocity;%位置更新

%%位置限制%%

for i=1:Size

for row=1:dimension

if Position(row,i)>Xmax(row)

Position(row,i)=Xmax(row);

elseif Position(row,i)

Position(row,i)=Xmin(row);

else

end

end

end

%%重新评价每个粒子适应值，更新个体最优 P_p 和全局最优 globe%%

for j=1:Size

xx=Position(:,j)';

fz1(j)=Fitness_Function(xx,F_n);

if fz1(j)

P_p(:,j)=Position(:,j);

fz(j)=fz1(j);

end

% [P_g1,I]=min(fz1);%%%有改动

if fz1(j)<

_g

P_g=fz1(j);

%      globe=Position(:,I);

end

end

[P_g1 I]=min(fz);

P_gg(itrtn)=P_g1;

globe=P_p(:,I);

%     globe=Position(:,I);

%     itrtn

%     globe

%% draw 粒子群运动变化图%%

XX=Position(1,

;YY=Position(2,

;ZZ=Position(3,

;

if dimension>= 3

set(Swarmscope,'XData',XX,'YData', YY, 'ZData', ZZ);

elseif dimension== 2

set(Swarmscope,'XData',XX,'YData',YY );%设置

end

xlabel('粒子第一维');

ylabel('粒子第二维');

zlabel('粒子第三维');

drawnow;

end

%%画‘评价值’变化曲线%%

figure(1);

BestFitness_plot(time,P_gg);

%%画系统阶跃响应变化曲线%%

% figure(2);

% Step_2PID(globe)

function   BestFitness_plot(time,P_gg)

plot(time,P_gg);

xlabel('迭代的次数');ylabel('适应度值P_g');

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);

Velocity(i,:)=Vmin(i)+(Vmax(i)-Vmin(i))*rand(1,Size);

end

function Fitness=Fitness_Function(X,F_n)

global dimension  Size

% F_n 标准测试函数选择,其中:

% n=1: f1_Sphere        测试

% n=2: f2_Quadric       测试

% n=3: f3_Ackley        测试

% n=4: f4_Griewank      测试

% n=5: f5_Rastrigin     测试

% n=6: f6_Rosenbrock    测试

% n=7: f7_Schaffer's f6 测试  注：此函数只接受两个变量，故dimension＝2。

switch F_n

case 1

%%  f1_Sphere        %%

Func_Rastrigin=X(:)'*X(:);

Fitness=Func_Rastrigin;

case 2

%%  f2_Quadric       %%

res1=0;

for row=1:dimension

res1=res1+(sum(X(1:row)))^2;

end

Func_Quadric=res1;

Fitness=Func_Quadric;

case 3

%%  f3_Ackley        %%

Func_Ackley=-20*exp(-0.2*sqrt((1/dimension)*(X(:)'*X(:))))-exp((1/dimension)*((cos(2*pi*X(:)')*cos(2*pi*X(:)))))+20+exp(1);

Fitness=Func_Ackley;

case 4

%%  f4_griewank      %%

res1=X(:)'*X(:)/4000;

res2=1;

for row=1:dimension

res2=res2*cos(X(row)/sqrt(row));

end

Func_Griewank=res1-res2+1;

Fitness=Func_Griewank;

case 5

%%  f5_Rastrigin     %%

Func_Rastrigin=X(:)'*X(:)-10*sum(cos(X(:)*2*pi))+10*dimension;

Fitness=Func_Rastrigin;

case 6

%%  f6_Rosenbrock    %%

res1=0;

for row=1

dimension-1)

res1=res1+100*(X(row+1)-X(row)^2)^2+(X(row)-1)^2;

end

Func_Rosenbrock=res1;

Fitness=Func_Rosenbrock;

case 7

%%  f7_Schaffer's f6 %%

Func_Schaffer=0.5-(sin(sqrt(X(1)^2+X(2)^2))^2-0.5)/(1+0.001*(X(1)^2+X(2)^2))^2;

Fitness=Func_Schaffer;

end