粒子群算法PSO(学习笔记_01)

最新推荐文章于 2023-06-08 20:07:45 发布

Cloud-Lii

最新推荐文章于 2023-06-08 20:07:45 发布

阅读量907

点赞数 5

分类专栏：智能优化算法文章标签：粒子群算法

本文链接：https://blog.csdn.net/weixin_49647278/article/details/122516221

版权

智能优化算法专栏收录该内容

16 篇文章 22 订阅

订阅专栏

1. 特点

高效的并行搜索算法
速度-位移模型简单易行
每个粒子在算法结束时仍保持其个体极值（除了得到最优解外，还可以得到若干较好的次优解，可用于调度、决策问题）
记忆功能（搜索行为在受其他个体影响的同时也受自身经验的引导）

2. 基本参数

m = 100; %粒子数量
d = 2; %粒子维度
iter_max = 200; %迭代次数
c1 = 1.5; %加速系数（认知）
c2 = 1.5; %加速系数（社会）
w: 惯性权重，w∈[w_min,w_max],通常情况下，w_max = 0.9 ,w_min = 0.4
v: 个体速度，v∈[v_min,v_max]
x: 个体的位置，x∈[x_min,x_max]

3. 基本流程

初始化：
1. 每个粒子的位置和速度
2. 初始化个体最优位置，最优值
3. 初始化全局最优位置,最优值
for i = 1:iter_max

    1. 计算每个粒子的个体最优值

2. 计算整个群体的全局最优值

    3. 对粒子的速度、位置进行更新

    4. 进行边界处理

end
输出结果

4. 基本粒子群算法

w = 1;

v(j,:) = v(j,:) + c1 * rand * (p(j,:) - x(j,:)) + c2 * rand * (g-x(j,:));

5. 标准粒子群算法

 v(j,:) = w * v(j,:) + c1 * rand * (p(j,:) - x(j,:)) + c2 * rand * (g-x(j,:));

固定权重：通常情况下，w∈[0.8,1.2]
时变权重：w = w_max - (w_max - w_min) * i / iter_max;
源代码如下：

%% 标准粒子群算法
clear;
close all;
clc;

m = 100;  %粒子数量
d = 2;  %粒子维度
iter_max = 200;  %迭代次数
c1 = 1.5;  %加速系数（认知）
c2 = 1.5;  %加速系数（社会）
w_max = 0.8;  %惯性权重
w_min = 0.4;
v_max = 1;  %个体的速度
v_min = -1;
x_max = 4;  %个体的位置
x_min = -4;

%% 1、初始化
x = rand(m,d) * (x_max - x_min) + x_min;
v = rand(m,d) * (v_max - v_min) + v_min;

%% 初始化个体最优位置，最优值
p = x;  %每个粒子的个体最优解的位置
pbest = ones(m,1)
for i =1:m
    pbest(i) = func(x(i,:));
end

%% 初始化全局最优位置,最优值
g = ones(1,d);  %全局最优位置
gbest = inf;
for i=1:m
    if(pbest(i) < gbest)
        g = p(i,:)
        gbest = pbest(i);
    end
end
gb = ones(1,iter_max);

for i = 1:iter_max
    for j = 1:m
        %% 2、计算每个粒子的个体最优值
        if (func(x(j,:)) < pbest(j))
            p(j,:) = x(j,:);  %更新个体最优解位置
            pbest(j) = func(x(j,:));  %更新个体最优解
        end
        
        %% 3、计算整个群体的全局最优值
        if (pbest(j) < gbest)
            g = p(j,:);
            gbest = pbest(j);
        end
        
        %% 4、对粒子的速度、位置进行更新
        w = w_max - (w_max - w_min) * i / iter_max;  %时变权重
        v(j,:) = w*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));
        x(j,:) = x(j,:) + v(j,:);
        
        %% 5、进行边界处理
        for k = 1:d
            if (v(j,k) > v_max | v(j,k) < v_min)
                v(j,k) = rand * (v_max - v_min) + v_min;
            end
            if (x(j,k) > x_max | x(j,k) < x_min)
                x(j,k) = rand * (x_max - x_min) + x_min;
            end
        end
    end
    gb(i) = gbest;
end

%g;  %最优个体位置
plot(gb)
hold on;
xlabel('迭代次数');
ylabel('适应度值');
title("适应度进化曲线");
legend_str = {'经典PSO','压缩因子PSO'};

function results = func(x)
    results = 3*cos(x(1)*x(2))+x(1)+x(2)^2;
end

6. 压缩因子粒子群算法

Fai = c1 + c2;
压缩因子：Lamuda = 2/(abs(2-Fai-sqrt(FaiFai-4Fai)));

 v(j,:) = Lamuda * v(j,:) + c1 * rand * (p(j,:) - x(j,:)) + c2 * rand * (g - x(j,:));

源代码如下：

%% 压缩因子粒子群算法
m = 100;  %粒子数量
d = 2;  %粒子维度
iter_max = 200;
c1 = 1.5;
c2 = 1.5;
v_max = 1;
v_min = -1;
x_max = 4;
x_min = -4;
Fai = c1 + c2;
Lamuda = 2/(abs(2-Fai-sqrt(Fai*Fai-4*Fai)));  %压缩因子

%% 1、初始化
x = rand(m,d) * (x_max - x_min) + x_min;
v = rand(m,d) * (v_max - v_min) + v_min;

%% 初始化个体最优位置，最优值
p = x;  %每个粒子的个体最优解的位置
pbest = ones(m,1)
for i =1:m
    pbest(i) = func(x(i,:));
end

%% 初始化全局最优位置,最优值
g = ones(1,d);  %全局最优位置
gbest = inf;
for i=1:m
    if(pbest(i) < gbest)
        g = p(i,:)
        gbest = pbest(i);
    end
end
gb = ones(1,iter_max);

for i = 1:iter_max
    for j = 1:m
        %% 2、计算每个粒子的个体最优值
        if (func(x(j,:)) < pbest(j))
            p(j,:) = x(j,:);  %更新个体最优解位置
            pbest(j) = func(x(j,:));  %更新个体最优解
        end
        
        %% 3、计算整个群体的全局最优值
        if (pbest(j) < gbest)
            g = p(j,:);
            gbest = pbest(j);
        end
        
        %% 4、对粒子的速度、位置进行进化
        v(j,:) = Lamuda*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));
        x(j,:) = x(j,:) + v(j,:);
        
        %% 5、进行边界处理
        for k = 1:d
            if (v(j,k) > v_max | v(j,k) < v_min)
                v(j,k) = rand * (v_max - v_min) + v_min;
            end
            if (x(j,k) > x_max | x(j,k) < x_min)
                x(j,k) = rand * (x_max - x_min) + x_min;
            end
        end
    end
    gb(i) = gbest;
end

%g;  %最优个体位置
plot(gb)
legend(legend_str);

function results = func(x)
    results = 3*cos(x(1)*x(2))+x(1)+x(2)^2;
end

7.离散粒子群算法

保留经典粒子群算法的速度-位置更新运算规则
粒子群在状态空间的取值和变化仅限于0、1，速度的每一维Vij表示位置Xij取值为1的可能性

位置更新等式：

vx(j,:) = 1./(1+exp(-v(j,:)));
for k =1:d
    if vx(j,k) > rand
        x(j,k) = 1;
    else
        x(j,k) = 0;
    end
end

源代码如下：

%% 离散粒子群算法

clear;
close all;
clc;

m = 100;
d = 20;
iter_max = 20;
c1 = 1.5;
c2 = 1.5;
w_max = 0.8;
w_min = 0.4;
v_max = 10;
v_min = -10;
x_max = 9;
x_min = 0;

%% 1.初始化
x = randi([0,1],m,d);  %随机获取二进制编码的初始种群
v = rand(m,d) * (v_max - v_min) + v_min;

p = x;
pbest = ones(m,1);
for i = 1:m
    pbest(i) = func(x(i,:),x_max,x_min);
end

g = ones(1,d);
gbest = inf;
for i = 1:m
    if(pbest(i) < gbest)
        g = p(i,:);
        gbest = pbest(i);
    end
end

for i = 1:iter_max
    for j = 1:m
        %更新个体最优
        if(func(x(j,:),x_max,x_min) < pbest(j))
            p(j,:) = x(j,:);
            pbest(j) = func(x(j,:),x_max,x_min);
        end
        
        %更新整体最优
        if(pbest(j) < gbest)
            g = p(j,:);
            gbest = pbest(j);
        end
        
        %更新速度
        w = w_max - (w_max - w_min) * i / iter_max;
        v(j,:) = w*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));
        
        % 速度的边界处理
        for k = 1:d
            if (v(j,k) > v_max | v(j,k) < v_min)
                v(j,k) = rand * (v_max - v_min) + v_min;
            end
        end
        
        %更新位置
        vx(j,:) = 1./(1+exp(-v(j,:)));
        for k =1:d
            if vx(j,k) > rand
                x(j,k) = 1;
            else
                x(j,k) = 0;
            end
        end
    end
    gb(i) = gbest;
end

g;  %最优个体
m = 0;
for i = 1:d
    m = g(i) * 2^(i-1) + m;
end
f = x_min + m * (x_max - x_min)/(2^d - 1);
figure
plot(gb);
xlabel('迭代次数');
ylabel('适应度值');
title("适应度进化曲线")



function results = func(x,x_max,x_min)
    m = 0;
    d = length(x);
    for i = 1:d
        m = x(i) * 2^(i-1) + m;
    end
    f = x_min + m * (x_max - x_min)/(2^d - 1);  %f即x(转换成十进制)
    results = f + 6 * sin(4 * f) + 9 * cos(5 * f);
end