粒子群算法之求解多峰值函数最小值 -------数模学习笔记二

---

前言

本文主要记录学习粒子群算法过程，以y = x+10*sin(5*x)+7*cos(4*x)函数为例，利用粒子群来寻找最小值。

---

以下是本篇文章正文内容

一、示例函数

1.显示图像代码

clc;clear;
x = 0:0.01:10;
y = x+10*sin(5*x)+7*cos(4*x);
plot(x,y)

2.函数图像

二、matlab程序

1.粒子群原理（自述）

下面是本人自己画的一张粒子群示意图，
1>、用图解释：寻找食物（寻优），先确定一个目标点（图中食物位置），然后在规定区域内（椭圆内），将n个粒子随机分布在规定区域任意位置，随后计算每个粒子到目标点（图中食物位置）的距离，这个距离称为“目标函数”，这个距离当然是越小越好。那么如何寻找食物呢，就是更新每个粒子的位置，对每一次迭代的粒子计算适应度，并且在粒子中比较，得到整个粒子群的最优适应度，直到迭代结束。

2>、将图解释到具体案例：比如变量x的范围为(0,10),那么在此区域内随机取n个横坐标点，随后计算n个坐标对应的纵坐标（目标函数值），比较得到最小适应度值（寻找最小值时）；通过迭代更新每个粒子的速度和位置信息，每迭代一次则记录一次最优适应度值，直到迭代结束。

2.粒子群参数设置

粒子群算法主要参数：
N种群数， D维度（变量数）， T迭代次数, C1学习因子1, C2学习因子2, W权衡系数, X粒子坐标, V粒子速度, p个体最优位置, pbest个体最优函数值, g全局最优位置, gbst全局最优函数值。

% % % % % % % % % 粒子群参数初始化 % % % % % % % % % % 
n = 200;                  %粒子数
d = 1;                    %维度数=变量数
wmax = 0.9;               %权衡系数极大值
wmin = 0.4;               %权衡系数极小值
Tmax = 30;               %迭代最大次数
xmin = 0;                 %x变量下限
xmax = 10;                %x变量上限
vmax = 1;                 %速度最大值
vmin = -1;                %速度最小值
c1 = 1.2;                 %学习因子1
c2 = 1.2;                 %学习因子2 
r1 = rand;                %随机小数1
r2 = rand;                %随机小数2

3.目标函数代码

%% 目标函数：y = x+10*sin(5*x)+7*cos(4*x)
function value = fit(x)
value = x+10*sin(5*x)+7*cos(4*x);

4.结果图

此处左图一红圈为每次迭代最优位置点显示，动态显示，右侧为适应度迭代图。

5.每次迭代结果显示

保留三位小数：

    disp('=================================================================================')
    fprintf('第%d迭代最优适应度值：%.3f',iter,gbest);

6.全部代码（自写）

以下为本人自行编写代码，并且寻优过程有动态图显示操作。

%% 粒子群算法寻找y = x+10*sin(5*x)+7*cos(4*x)函数最小值
%  @Auther:周述正
%  useness:学习
clear; 
clc;
close all;

% % % % % % % % % 粒子群参数初始化 % % % % % % % % % %

n = 200;                  %粒子数
d = 1;                    %维度数=变量数
wmax = 0.9;               %权衡系数极大值
wmin = 0.4;               %权衡系数极小值
Tmax = 30;               %迭代最大次数
xmin = 0;                 %x变量下限
xmax = 10;                %x变量上限
vmax = 1;                 %速度最大值
vmin = -1;                %速度最小值
c1 = 1.2;                 %学习因子1
c2 = 1.2;                 %学习因子2 
r1 = rand;                %随机小数1
r2 = rand;                %随机小数2

% % % % % % % % 初始化位置分布与速度 % % % % % % % % %

x(:,1) = xmin+(xmax-xmin)*rand(n ,d);
v = vmin+(vmax-vmin)*rand(n,d); 

%% 初始粒子群个体适应度函数

p = x;                   %所有粒子位置
pbest = ones(n,1);       %每一代n个
for k=1:n
    pbest(k) = fit(x(k,d));
end

%% 初始粒子群全局最优适应度函数

g = ones(1,d);            %全局最优位置,变量值---x
gbest = inf;              %初始无穷大适应度
old_gb = ones(Tmax,1);    %记录迭代Tmax次的每次迭代全局最优值
for j=1:n
    if(pbest(j)<gbest)
        g = p(j,:);       %从全部粒子中提取最优适应度对应的粒子位置
        gbest = pbest(j); %提取最优适应度值
    end
end

%% 画图

subplot(1,2,1);
a = 0:0.01:10;
b = a+10*sin(5*a)+7*cos(4*a);
plot(a,b)
xlabel('x');
ylabel('y');
title('y = x+10*sin(5*x)+7*cos(4*x)');
pause(0.2);
hold on;

%% 迭代开始 使用for循环，减少i++代码

for iter=1:Tmax
    w = wmax-(wmax-wmin)*iter/Tmax;
    for j=1:n
        %对更新后的粒子位置计算适应度函数
        if(fit(x(j,:))<pbest(j))        
            p(j,:) = x(j,:);
            pbest(j) = fit(x(j,d));
        end
        %获取最优适应度函数以及位置
        if(pbest(j)<gbest)
            gbest = pbest(j);
            g = p(j,:);
        end
        %位置，速度更新
        v(j,:) = w*v(j,:)+c1*r1*(p(j,:)-x(j,:))+c2*r2*(g-x(j,:));
        x(j,:) = x(j,:)+v(j,:);
        %处理边界条件
        if(x(j,1)>xmax || x(j,1)<xmin)
            x(j,1) = xmin+(xmax-xmin)*rand;
        end
    end
    old_gb(iter) = gbest;
    disp('======================================================================')
    fprintf('第%d迭代最优适应度值：%.3f',iter,gbest);
    %% 动态图
    yo = g(1)+10*sin(5*g(1))+7*cos(4*g(1));
    plot(g(1),yo,'ro');
    hold on;
    pause(1);
end

迭代适应度值显示

subplot(1,2,2) ;
plot(1:Tmax,old_gb,'r')
title('粒子迭代')
xlabel('迭代次数')
ylabel('适应度函数值')

---

总结

粒子群算法其实是一种比较巧妙、灵巧的算法，主要是概率性搜索，在寻找函数极值上要比很多方法更快速、好用。期望今后能够在某个项目上能够用上粒子群算法，这样更加能够加深对数模的理解，毕竟理论应用到实际才算是生产力。