粒子群优化，原理与Matlab实现

基本原理

  考虑每个迭代有$N$个粒子（一般设置10 ~ 30个），每个粒子有$D$个维度（视具体问题而定），则对每一个粒子的更新都应该是$D$维度的：
$$\{\begin{array}{l}{x}_i=\left(x_{i1},x_{i2},\cdots x_{iD}\right),i=1,2,\cdots ,N\\ v_i=\left(v_{i1},v_{i2},\cdots v_{iD}\right),i=1,2,\cdots ,N\end{array}$$

  速度的求解，以及新粒子的求解，如下所示：
$$\{\begin{array}{l}{v}_i(t+1)=w{v}_i(t)+c_1{r}_1(t)\left[p_i(t)-x_i(t)\right]+c_2{r}_2(t)\left[p_g(t)-x_i(t)\right]\\ x_i(t+1)=x_i(t)+v_i(t+1)\end{array}$$

其中，$w$为惯性权重，取值范围0.5 ~ 0.9；$r_1,r_2$为0~1之间的随机数；$c_1$为局部最优权重，取值范围0.1 ~ 2.0；$c_2$为全局最优权重，取值范围0.1 ~ 2.0；$p_i$为局部最优解；$p_g$为全局最优解。

matlab源码

  使用粒子群算法对Rosenbrock问题进行求解。Rosenbrock函数是一个用来测试最优化算法性能的非凸函数，由Howard Harry Rosenbrock在1960年提出，也称为Rosenbrock山谷函数、Rosenbrock香蕉函数、香蕉函数。Rosenbrock函数的定义为：
$$f\left(x,y\right)={\left(1-x\right)}^2+100{\left(y-x^2\right)}^2$$

matlab源码，自写代码

clc; clear;

% 参数设定
n_particles = 30;    % 粒子数量
n_iterations = 100;  % 迭代次数
dim = 2;             % Rosenbrock函数的维度为2
c1 = 2;              % 学习因子
c2 = 2;              % 学习因子
w = 0.9;             % 惯性权重
x_min = -5;          % 搜索空间的最小值
x_max = 5;           % 搜索空间的最大值
v_max = 0.1 * (x_max - x_min); % 最大速度

% 初始化粒子的位置和速度
particles = x_min + (x_max - x_min) .* rand(n_particles, dim);
velocities = -v_max + 2 * v_max .* rand(n_particles, dim);
p_best = particles; % 个体最优位置
p_best_score = inf(n_particles, 1); % 个体最优值
g_best = []; % 全局最优位置
g_best_score = inf; % 全局最优值

% 主循环
for iteration = 1:n_iterations
    for i = 1:n_particles
        % 计算粒子的适应度值
        fitness = (1 - particles(i, 1))^2 + 100 * (particles(i, 2) - particles(i, 1)^2)^2;

        % 更新个体最优
        if fitness < p_best_score(i)
            p_best(i, :) = particles(i, :);
            p_best_score(i) = fitness;
        end

        % 更新全局最优
        if fitness < g_best_score
            g_best = particles(i, :);
            g_best_score = fitness;
        end
    end

    % 更新粒子的速度和位置
    for i = 1:n_particles
        velocities(i, :) = w * velocities(i, :) + c1 * rand() * (p_best(i, :) - particles(i, :)) ...
            + c2 * rand() * (g_best - particles(i, :));
        velocities(i, :) = min(max(velocities(i, :), -v_max), v_max); % 限制速度
        particles(i, :) = particles(i, :) + velocities(i, :);
        particles(i, :) = min(max(particles(i, :), x_min), x_max); % 限制位置在搜索空间内
    end
end

% 输出结果
disp('全局最优位置:');
disp(g_best);
disp('全局最优值:');
disp(g_best_score);

matlab源码，调用particleswarm

% Rosenbrock函数
fun = @(x)(1 - x(1))^2 + 100 * (x(2) - x(1)^2)^2;

% 选项设定
options = optimoptions('particleswarm','SwarmSize',30,'MaxIterations',100);

% 搜索空间的边界
lb = [-5, -5]; % 下界
ub = [5, 5]; % 上界

% 使用particleswarm函数找到最小值
[x,fval] = particleswarm(fun,2,lb,ub,options);
% [x,fval,exitflag,output] = particleswarm(fun,2,lb,ub,options);

% 输出结果
disp('全局最优位置:');
disp(x);
disp('全局最优值:');
disp(fval);

matlab源码，自写代码+画图展示

clc;clear;
% 参数设定
n_particles = 30;    % 粒子数量
n_iterations = 100;  % 迭代次数
dim = 2;             % Rosenbrock函数的维度为2
c1 = 2;              % 学习因子
c2 = 2;              % 学习因子
w = 0.9;             % 惯性权重
x_min = -5;          % 搜索空间的最小值
x_max = 5;           % 搜索空间的最大值
v_max = 0.1 * (x_max - x_min); % 最大速度

% 初始化粒子的位置和速度
particles = x_min + (x_max - x_min) .* rand(n_particles, dim);
velocities = -v_max + 2 * v_max .* rand(n_particles, dim);
p_best = particles; % 个体最优位置
p_best_score = inf(n_particles, 1); % 个体最优值
g_best = []; % 全局最优位置
g_best_score = inf; % 全局最优值

% 用于绘图的Rosenbrock函数网格
x_range = x_min:0.1:x_max;
y_range = x_min:0.1:x_max;
[X, Y] = meshgrid(x_range, y_range);
Z = (1 - X).^2 + 100 * (Y - X.^2).^2;

% 创建GIF文件
gif_filename = 'N5_opt_PSO_self4.gif';

% 主循环
for iteration = 1:n_iterations
    fitness_values = zeros(n_particles, 1); % 用于存储每个粒子的适应度值
    for i = 1:n_particles
        % 计算粒子的适应度值
        fitness = (1 - particles(i, 1))^2 + 100 * (particles(i, 2) - particles(i, 1)^2)^2;
        fitness_values(i) = fitness; % 存储适应度值

        % 更新个体最优
        if fitness < p_best_score(i)
            p_best(i, :) = particles(i, :);
            p_best_score(i) = fitness;
        end

        % 更新全局最优
        if fitness < g_best_score
            g_best = particles(i, :);
            g_best_score = fitness;
        end
    end

    % 绘制Rosenbrock函数的三维图和粒子的位置
    figure(1);
    surf(X, Y, Z, 'EdgeColor', 'none', 'FaceAlpha', 0.5);
    hold on;
    scatter3(particles(:, 1), particles(:, 2), fitness_values, 'r*');
    title(['Iteration ', num2str(iteration)]);
    xlabel('x');
    ylabel('y');
    zlabel('Fitness');
    hold off;
    drawnow;

    % 获取当前图形的帧
    frame = getframe(1);
    im = frame2im(frame);
    [imind,cm] = rgb2ind(im,256);

    % 写入GIF文件
    if iteration == 1
        imwrite(imind,cm,gif_filename,'gif', 'Loopcount',inf, 'DelayTime',0.2);
    elseif iteration <= 5 || mod(iteration,5) == 0
        imwrite(imind,cm,gif_filename,'gif','WriteMode','append', 'DelayTime',0.2);
    end

    % 更新粒子的速度和位置
    for i = 1:n_particles
        velocities(i, :) = w * velocities(i, :) + c1 * rand() * (p_best(i, :) - particles(i, :)) ...
            + c2 * rand() * (g_best - particles(i, :));
        velocities(i, :) = min(max(velocities(i, :), -v_max), v_max); % 限制速度
        particles(i, :) = particles(i, :) + velocities(i, :);
        particles(i, :) = min(max(particles(i, :), x_min), x_max); % 限制位置在搜索空间内
    end
end

imwrite(imind,cm,gif_filename,'gif','WriteMode','append', 'DelayTime',2);  % 静止2秒

% 输出结果
disp('全局最优位置:');
disp(g_best);
disp('全局最优值:');
disp(g_best_score);