【PSO算法学习笔记】matlab学习之路

今天给各位分享一个我MATLAB学习网站：
https://yarpiz.com/
这个网站不仅有高质量的MATLAB源代码，而且还有对应的讲解视频，可谓是一应俱全。下面是网站的目录。

网站内容分为6部分：

1. Metaheuristics（元启发式算法）
2. Machine Learning（机器学习）
3. Multiobjective Optimization（多目标优化）
4. Fuzzy Systems（模糊系统）
5. Applications（应用）
6. Tutorials（视频教程）

记录一下本次学习PSO算法的笔记
官网给出了详细的笔记，教学视频以及代码，想要学习的友友们可以提前下载好所有的资料。关键是这个平台都是免费的！但是有一个不好的地方就是视频全部都是英语教学，且没有字幕，所以学好英语很重要。
网站的学习网址：
https://yarpiz.com/440/ytea101-particle-swarm-optimization-pso-in-matlab-video-tutorial
一共有三节视频课，第一节课：讲述PSO的内容，第二节：算法设计，第三节：优化代码

一、PSO的原理

相信网上已经有很多详细的讲解PSO算法的内容，在这里我就简单的说下PSO。
粒子的速度更新公式是：
vi(t+1)=vi(t)+c1(pi(t)-xi(t))+c1*(g(t)-xi(t))*
位置更新公式：
xi(t+1)=xi+vi(t+1)
i代表粒子的序列，粒子个数为N，且维度为D，t代表当前迭代次数，pi(t)表示粒子迭代次数中迭代最好的位置，即个体最优解，gi(t)表示全局中最好的粒子位置，即全局最优解。粒子主除了受自己的影响外还要受到这两个的影响。
黑色圆表示粒子当前的位置，绿色表示更新后的位置，可以看出迭代的位置主要受到3个向量箭头的影响，分别是自己的vi(t),蓝色的个体最优解pi(t)以及红色的全局最优解gi(t)
以上的内容对应了视频教程的第一节课。

二、PSO代码设计

第二节视频课主要是讲述PSO算法的设计，虽然是英语教学，但是老师的英语讲解非常的慢，且非常详细，真的写一行代码解释一下是什么意思，手把手教学，适合初学者学习。

算法整体分成了五大部分：

1. %% Problem Definition ：问题表述
2. %% Parameters of PSO：PSO的参数设计
3. %% Initialization ：初始化
4. %% Main Loop of PSO ：循环（也是算法的核心部分）
5. %% Results：结果显示

1.问题表述

%% Problem Definition
CostFunction = @(x) Sphere(x);   %目标函数可以更改
nVar = 5;                          %决策变量的个数
VarSize = [1 nVar];                %决策变量的矩阵大小
VarMin = -10;
VarMax = 10;                    %变量的上下界

2.PSO的参数设计

%% Parameters of PSO
MaxIt = 100;        %最大迭代次数
nPop = 100;         %种群个数
w = 1;
wdamp=0.99;         %阻尼惯性系数，只有一个w对于优化结果并不好
c1 = 2;
c2 = 2;         %公式里面的系数

3.初始化

%% Initialization 
    % 粒子的属性，位置，速度，适应度值，粒子群中最优的位置以及适应度值
    empty_particle.Position = [];
    empty_particle.Velocity = [];
    empty_particle.Cost = [];
    empty_particle.Best.Position = [];
    empty_particle.Best.Cost = [];

    % 创建粒子群数组；repmat()函数表示重复，行数=种群数量，列数=1；其中每个empty_particle包含了5个属性
    particle = repmat(empty_particle, nPop, 1);
    % 初始化全局最优；本题是求解min，所以初始化最优为极大值，如果是max问题，则相反加上负号
    GlobalBest.Cost = inf;

    % 初始化种群
    for i=1:nPop

        % 初始化粒子位置；unifrnd()函数，表示从（VarMin,
        % VarMax）上下界之间随机产生VarSize方阵，如果是是矩阵则需要两个VarSize，表示行列
        particle(i).Position = unifrnd(VarMin, VarMax, VarSize);

        % 初始化速度，0矩阵
        particle(i).Velocity = zeros(VarSize);

        % 计算粒子的适应度函数
        particle(i).Cost = CostFunction(particle(i).Position);

        % 更新粒子最优位置以及适应度值，由于是初始化所以等于自身值
        particle(i).Best.Position = particle(i).Position;
        particle(i).Best.Cost = particle(i).Cost;

        % 更新全局最优，如果出现比GlobalBest.Cost更好的particle(i).Best.Cost，则更新 GlobalBest
        if particle(i).Best.Cost < GlobalBest.Cost
            GlobalBest = particle(i).Best;
        end

    end

    % 存储在每次迭代中保持最佳适应度值的数组，初始化全部为0
    BestCosts = zeros(MaxIt, 1)

4.循环（也是算法的核心部分）

%% Main Loop of PSO
 for it=1:MaxIt
        for i=1:nPop    %循环每个粒子

            % 速度更新公式
            particle(i).Velocity = w*particle(i).Velocity ...
                + c1*rand(VarSize).*(particle(i).Best.Position - particle(i).Position) ...
                + c2*rand(VarSize).*(GlobalBest.Position - particle(i).Position);

            % Apply Velocity Limits
%             particle(i).Velocity = max(particle(i).Velocity, MinVelocity);
%             particle(i).Velocity = min(particle(i).Velocity, MaxVelocity);
%             
            % 位置更新公式
            particle(i).Position = particle(i).Position + particle(i).Velocity;
            
            % Apply Lower and Upper Bound Limits
%             particle(i).Position = max(particle(i).Position, VarMin);
%             particle(i).Position = min(particle(i).Position, VarMax);

            % 适应度函数
            particle(i).Cost = CostFunction(particle(i).Position);

            % 更新个体最优
            if particle(i).Cost < particle(i).Best.Cost

                particle(i).Best.Position = particle(i).Position;
                particle(i).Best.Cost = particle(i).Cost;

                % 更新全局最优
                if particle(i).Best.Cost < GlobalBest.Cost
                    GlobalBest = particle(i).Best;
                end            
            end
        end

        % 储存每次迭代的全局最优值
        BestCosts(it) = GlobalBest.Cost;

        % 显示迭代信息
%         if ShowIterInfo
            disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCosts(it))]);
%         end

        % 阻尼惯性系数 (Damping Inertia Coefficient)
        w = w * wdamp;
    end
%     
%     out.pop = particle;
%     out.BestSol = GlobalBest;
%     out.BestCosts = BestCosts;
%     
% end

5.结果显示

%% Results
figure;
%plot(BestCosts,"LineWidth",2);
semilogy(BestCosts,"LineWidth",2);%使用semilogy绘图效果更加直观
xlabel("Iteration");
ylabel("BestCost");
grid on;

最后的结果显示图

感谢网友的分享，下面是网友的原贴内容。
https://blog.csdn.net/qq_43857549/article/details/115407517?spm=1001.2014.3001.5506