粒子群算法的应用

最新推荐文章于 2024-05-20 20:08:58 发布
最新推荐文章于 2024-05-20 20:08:58 发布
阅读量196 收藏
点赞数 1
分类专栏： 数学建模 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_72151610/article/details/135868509
版权

【一维函数求最大值】

%% 初始化种群  
f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式    % 求这个函数的最大值  
% 初始画面
figure(1);
fplot(f,[0,20]);  

N = 50;                         % 初始种群个数  
d = 1;                          % 空间维数  一维
ger = 100;                      % 最大迭代次数       
limit = [0, 20];                % 设置位置参数限制  
vlimit = [-1, 1];               % 设置速度限制  
w = 0.8;                        % 惯性权重  
c1 = 1.49445;                       % 自我学习因子  
c2 = 1.49445;                       % 群体学习因子  
 
for i = 1:d  
    x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置  
end  
v = rand(N, d);                  % 初始种群的速度  
xm = x;                          % 每个个体的历史最佳位置  
ym = zeros(1, d);                % 种群的历史最佳位置  
fxm = zeros(N, 1);               % 每个个体的历史最佳适应度  
fym = -inf;                      % 种群历史最佳适应度  
hold on  
plot(xm, f(xm), 'ro');
title('初始状态图');  
figure(2)  

%% 群体更新  
iter = 1;  
record = zeros(ger, 1);          % 记录器  
while iter <= ger  
     fx = f(x) ; % 个体当前适应度     
     for i = 1:N        
        if fxm(i) < fx(i)  
            fxm(i) = fx(i);     % 更新个体历史最佳适应度  
            xm(i,:) = x(i,:);   % 更新个体历史最佳位置  
        end   
     end  
if fym < max(fxm)  
        [fym, nmax] = max(fxm);   % 更新群体历史最佳适应度  
        ym = xm(nmax, :);      % 更新群体历史最佳位置  
 end  
    v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新  
    % 边界速度处理  
    v(v > vlimit(2)) = vlimit(2);  
    v(v < vlimit(1)) = vlimit(1);  
    x = x + v;% 位置更新  
    % 边界位置处理  
    x(x > limit(2)) = limit(2);  
    x(x < limit(1)) = limit(1);  
    record(iter) = fym;%最大值记录  
     x0 = 0 : 0.01 : 20;  
     plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化')  
    pause(0.1)  
    iter = iter+1;  
end  
figure(3);
plot(record);title('收敛过程')  
x0 = 0 : 0.01 : 20;  
figure(4);
plot(x0, f(x0), 'b-', x, f(x), 'ro');
title('最终状态位置')  
disp(['最大值：',num2str(fym)]);  
disp(['变量取值：',num2str(ym)]);

【一维函数求最小值】

clear
close all
clc

%% 初始化种群  
f= @(x)(x-pi).^2 + 20*cos(x) ; % 函数表达式    % 求这个函数的最大值  
% 初始画面
figure(1);
fplot(f,[-5,5]); 

N = 100;                         % 初始种群个数  
d = 1;                          % 空间维数  自变量的个数
ger = 300;                      % 最大迭代次数       
limit = [-5, 5];                % 设置位置参数限制  对于无约束问题此处可以省略
vlimit = [-1, 1];               % 设置速度限制  
w = 0.8;                        % 惯性权重  
c1 = 1.49445;                       % 自我学习因子  
c2 = 1.49445;                       % 群体学习因子  
 
for i = 1:d  
    x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置  
end  
v = rand(N, d);                  % 初始种群的速度  
xm = x;                          % 每个个体的历史最佳位置  
ym = zeros(1, d);                % 种群的历史最佳位置  
fxm = zeros(N, 1);               % 每个个体的历史最佳适应度  
fym = inf;                      % 种群历史最佳适应度  
hold on  
plot(xm, f(xm), 'ro');
title('初始状态图');  
figure(2)  

%% 群体更新  
iter = 1;  
record = zeros(ger, 1);          % 记录器  
while iter <= ger  
     fx = f(x) ; % 个体当前适应度     
     for i = 1:N        
        if fxm(i) > fx(i)  
            fxm(i) = fx(i);     % 更新个体历史最佳适应度  
            xm(i,:) = x(i,:);   % 更新个体历史最佳位置  
        end   
     end  
if fym > min(fxm)  
        [fym, nmin] = min(fxm);   % 更新群体历史最佳适应度  
        ym = xm(nmin, :);      % 更新群体历史最佳位置  
 end  
    v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新  
    % 边界速度处理  
    v(v > vlimit(2)) = vlimit(2);  
    v(v < vlimit(1)) = vlimit(1);  
    x = x + v;% 位置更新  
    % 边界位置处理  
    x(x > limit(2)) = limit(2);  
    x(x < limit(1)) = limit(1);  
    record(iter) = fym;%最大值记录  

     x0 = -5 : 0.01 : 5;  
     plot(x0, f(x0), 'b-', x, f(x), 'ro');
     title('状态位置变化')  
    pause(0.1)  
    iter = iter+1;  
end  
figure(3);
plot(record);
title('收敛过程') 

x0 = -5 : 0.01 : 5;  
figure(4);
plot(x0, f(x0), 'b-', x, f(x), 'ro');
title('最终状态位置') 

disp(['最小值：',num2str(fym)]);  
disp(['变量取值：',num2str(ym)]);

【二维函数求最小值】

function result = ObjFun(x)
x1 = x(1);
x2 = x(2);
result = -5*sin(x1)*sin(x2)*sin(x1)*sin(x2)*sin(x1)-...
sin(5*x1)*sin(5*x2)+8;

clear; 
clc;
% 群体粒子个数
N = 200;   
% 粒子维度
D = 2;    
% 最大迭代次数
T = 200;      
% 学习因子1
c1 = 1.5;    
% 学习因子2
c2 = 1.5;   
% 惯性权重最大值
wMax = 0.8;   
% 惯性权重最小值
wMin = 0.4;      
% 位置最大值
xMax = 10 * ones(1, D);  
% 位置最小值
xMin = -10 * ones(1, D); 
% 速度最大值
vMax = 1; 
% 速度最小值
vMin = -1;            
%%%%%%%%%%  初始化种群个体（限定位置和速度） %%%%%%%%%
x = rand(N, D) .* repmat(xMax - xMin, N, 1) + repmat(xMin, N, 1);
v = rand(N, D) * (vMax - vMin) + vMin;
%%%%%%%%%%  初始化个体最优位置和最优值 %%%%%%%%%
p = x;
pbest = ones(N, 1);
for i = 1 : N
   pbest(i) = ObjFun(x(i, :));
end
%%%%%%%%%%  初始化全局最优位置和最优值 %%%%%%%%%
g = ones(1, D);
gbest = inf;
for i = 1 : N
   if pbest(i) < gbest
      g = p(i, :);
      gbest = pbest(i);
   end
end
gb = ones(1, T);
%%%%%%%%%%  按照公式依次迭代直到满足精度或者迭代次数 %%%%%%%%%
for i = 1 : T
   for j = 1 : N
      %%%%%%%%%%  更新个体最优位置和最优值 %%%%%%%%%
      if ObjFun(x(j, :)) < pbest(j)
         p(j, :) = x(j, :);
         pbest(j) = ObjFun(x(j, :));
      end
      %%%%%%%%%%  更新全局最优位置和最优值 %%%%%%%%%
      if pbest(j) < gbest
         g = p(j, :);
         gbest = pbest(j);
      end
      %%%%%%%%%%  动态计算惯性权重值 %%%%%%%%%
      w = wMax - (wMax - wMin)*i/T;
%       w = Wmin + (Wmax - Wmin)*rand;
      %%%%%%%%%%  更新位置和速度值 %%%%%%%%%
      v(j, :) = w*v(j, :) + c1*rand*(p(j, :) - x(j, :)) + c2*rand*(g - x(j, :));
      x(j, :) = x(j, :) + v(j, :);
      %%%%%%%%%%  边界条件处理 %%%%%%%%%
      for ii = 1:D
         if (v(j, ii) > vMax) || (v(j, ii) < vMin)
            v(j, ii) = rand*(vMax - vMin) + vMin;
         end
         if (x(j, ii) > xMax(ii)) || (x(j, ii) < xMin(ii))
            x(j, ii) = rand*(xMax(ii) - xMin(ii)) + xMin(ii);
         end
      end
   end
      %%%%%%%%%%  记录历代全局最优值 %%%%%%%%%
      gb(i) = gbest;
end
disp(['最优个体：' num2str(g)]);
disp(['最优值：' num2str(gb(end))]);

subplot(1, 2, 1)
plot(gb, 'LineWidth', 2);
xlabel('迭代次数');
ylabel('适应度值');
title('适应度进化曲线');
len = 50;
xRange = linspace(xMin(1), xMax(1), len);
yRange = linspace(xMin(2), xMax(2), len);
[xMap, yMap] = meshgrid(xRange, yRange);
zMap = zeros(len);
for i = 1 : len
    for j = 1 : len
        zMap(i, j) = ObjFun([xMap(i, j), yMap(i, j)]);
    end
end

subplot(1, 2, 2)
surf(xRange, yRange, zMap);
view(-45, -45);
shading interp
hold on
plot3(g(1), g(2), ObjFun(g), 'o', 'MarkerFaceColor', 'r', 'MarkerSize', 10);
hold off
set(gcf, 'Position', [400, 200, 900, 400]);

【二位函数求最大值】

function result = ObjFun(x)
x1 = x(1);
x2 = x(2);
result = -5*sin(x1)*sin(x2)*sin(x1)*sin(x2)*sin(x1)-...
sin(5*x1)*sin(5*x2)+8;

clear; 
clc;
% 群体粒子个数
N = 200;   
% 粒子维度
D = 2;    
% 最大迭代次数
T = 200;      
% 学习因子1
c1 = 1.5;    
% 学习因子2
c2 = 1.5;   
% 惯性权重最大值
wMax = 0.8;   
% 惯性权重最小值
wMin = 0.4;      
% 位置最大值
xMax = 10 * ones(1, D);  
% 位置最小值
xMin = -10 * ones(1, D); 
% 速度最大值
vMax = 1; 
% 速度最小值
vMin = -1;            
%%%%%%%%%%  初始化种群个体（限定位置和速度） %%%%%%%%%
x = rand(N, D) .* repmat(xMax - xMin, N, 1) + repmat(xMin, N, 1);
v = rand(N, D) * (vMax - vMin) + vMin;
%%%%%%%%%%  初始化个体最优位置和最优值 %%%%%%%%%
p = x;
pbest = ones(N, 1);
for i = 1 : N
   pbest(i) = ObjFun(x(i, :));
end
%%%%%%%%%%  初始化全局最优位置和最优值 %%%%%%%%%
g = ones(1, D);
gbest = -inf;
for i = 1 : N
   if pbest(i) > gbest
      g = p(i, :);
      gbest = pbest(i);
   end
end
gb = ones(1, T);
%%%%%%%%%%  按照公式依次迭代直到满足精度或者迭代次数 %%%%%%%%%
for i = 1 : T
   for j = 1 : N
      %%%%%%%%%%  更新个体最优位置和最优值 %%%%%%%%%
      if ObjFun(x(j, :)) > pbest(j)
         p(j, :) = x(j, :);
         pbest(j) = ObjFun(x(j, :));
      end
      %%%%%%%%%%  更新全局最优位置和最优值 %%%%%%%%%
      if pbest(j) > gbest
         g = p(j, :);
         gbest = pbest(j);
      end
      %%%%%%%%%%  动态计算惯性权重值 %%%%%%%%%
      w = wMax - (wMax - wMin)*i/T;
%       w = Wmin + (Wmax - Wmin)*rand;
      %%%%%%%%%%  更新位置和速度值 %%%%%%%%%
      v(j, :) = w*v(j, :) + c1*rand*(p(j, :) - x(j, :)) + c2*rand*(g - x(j, :));
      x(j, :) = x(j, :) + v(j, :);
      %%%%%%%%%%  边界条件处理 %%%%%%%%%
      for ii = 1:D
         if (v(j, ii) > vMax) || (v(j, ii) < vMin)
            v(j, ii) = rand*(vMax - vMin) + vMin;
         end
         if (x(j, ii) > xMax(ii)) || (x(j, ii) < xMin(ii))
            x(j, ii) = rand*(xMax(ii) - xMin(ii)) + xMin(ii);
         end
      end
   end
      %%%%%%%%%%  记录历代全局最优值 %%%%%%%%%
      gb(i) = gbest;
end
disp(['最优个体：' num2str(g)]);
disp(['最优值：' num2str(gb(end))]);

subplot(1, 2, 1)
plot(gb, 'LineWidth', 2);
xlabel('迭代次数');
ylabel('适应度值');
title('适应度进化曲线');
len = 50;
xRange = linspace(xMin(1), xMax(1), len);
yRange = linspace(xMin(2), xMax(2), len);
[xMap, yMap] = meshgrid(xRange, yRange);
zMap = zeros(len);
for i = 1 : len
    for j = 1 : len
        zMap(i, j) = ObjFun([xMap(i, j), yMap(i, j)]);
    end
end

subplot(1, 2, 2)
surf(xRange, yRange, zMap);
view(-45, -45);
shading interp
hold on
plot3(g(1), g(2), ObjFun(g), 'o', 'MarkerFaceColor', 'r', 'MarkerSize', 10);
hold off
set(gcf, 'Position', [400, 200, 900, 400]);
学习不止，掉发不停
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
粒子群算法简介
qq_43331150的博客
05-21 1711
粒子群算法简介 前言 本文内容借鉴于 刘衍民的博士论文:“粒子群算法的研究及应用”. 现有的大多数群智能算法,如:乌鸦算法、鸽子算法、蚁群算法、萤火虫算法和灰狼优化算法等，都可以归类为粒子群算法.(个人觉得,这些算法就是整个稀奇古怪的名字,颇有舞文弄墨,强造创新点之嫌,其算法本质仍为粒子群算法). 粒子群算法与遗传算法最大的不同之处在于,不使用交叉和变异等进化算法产生后代,而是根据种群中其他粒子的分布来更新粒子的位置. 粒子群算法及其基础理论 粒子群算法是一种基于种群的智能算法,种群中每个成员叫做粒子,代表
粒子群课设_粒子群算法(人工智能结课论文)
weixin_28454475的博客
02-12 2080
粒子群算法【摘要】：粒子群算法(pso)是一种新兴的基于群体智能的启发式全局搜索算法，具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已得到广泛研究和应用。为了进一步推广应用粒子群算法并为深入研究该算法提供相关资料，本文对目前国内外研究现状进行了全面分析，在论述粒子群算法基本思想的基础上，围绕pso的运算过程、特点、改进方式与应用等方面进行了全面综述，并给出了未来的研究方向...
最优化算法之粒子群算法（PSO）
热门推荐
青萍之末的博客
08-03 44万+
一、粒子群算法的概念   粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解．   PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制...
【经典算法】有趣的算法之---粒子群算法梳理
胡侃有料的博客
01-17 2405
粒子群算法粒子群算法（Particle Swarm Optimization，PSO）是一种用于解决优化问题的元启发式算法。它通过模拟鸟群或鱼群中的行为来进行优化搜索。在粒子群算法中，问题的潜在解被表示为一群粒子。每个粒子代表一个候选解，并根据其自身的经验和群体的信息进行移动和调整。粒子的位置表示候选解的特征向量，速度表示粒子在搜索空间中的移动方向和速度。粒子群算法广泛应用于各种优化问题，如函数优化、神经网络训练、组合优化等。它是一种简单且易于实现的优化算法，具有全局搜索能力和较好的收敛性。
粒子群算法
qq_52117903的博客
07-16 5万+
粒子群算法，其全称为粒子群优化算法(ParticleSwarmOptimization,PSO)。它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的搜索算法。粒子群算法属于启发式算法也叫智能优化算法，其基本思想在于通过群体中个体之间的协作和信息共享来寻找最优解。1995年，美国学者Kennedy和Eberhart共同提出了粒子群算法，其基本思想源于对鸟类群体行为进行建模与仿真的研究结果的启发。粒子优化问题的候选解位置候选解所在的位置速度候选解移动的速度适应度。...
基本粒子群算法小结及算法实例（附Matlab代码）
LXzerorb的博客
05-27 4万+
1、基本粒子群算法 假设在一个 D 维的目标搜索空间中，有 N 个粒子组成一个群落，其中第i 个 粒子表示为一个 D 维的向量： $$ X_i=(x_{i1},x_{i2}, \cdots ,x_{iD}), \quad i=1,2, \cdots ,N \quad \text {(1)} $$ 第i个粒子的“飞行”速度也是一个 D 维的向量，记为: $$ V_i=(v_{i1},v_{i2}, \cdots ,v_{iD}), \quad i=1,2, \cdots ,N \quad \te...
粒子群算法MatLab代码
亦是远方的小地方
08-28 1845
【代码】粒子群代码。
粒子群优化算法及其应用
学习日常分享
04-13 9060
产生背景 粒子群优化（Particle Swarm Optimization, PSO）算法是由美国普渡大学的Kennedy和Eberhart于1995年提出，它的基本概念源于对鸟群觅食行为的研究。 设想这样一个场景： 一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢? 最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 粒子群优化算法的基本原理 基本思想 将每个个体看作n维搜索空间中一个没有体积质量的粒子，在搜
粒子群算法(matlab实现)
jjb-coder的博客
08-29 2万+
目录基本原理算法概括式子说明程序设计基本流程代码部分总结 基本原理 算法概括 粒子群算法(PSO),在PSO中,每个优化问题的潜在解都是搜索空间的一只鸟，被称为粒子，所有的粒子都有一个由适应度函数决定的适值，每个粒子还有一个速度决定它们“”飞行“”的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索,整个过程大致为,PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代的过程中，粒子通过跟踪两个极值来更新自己:第一个就是粒子本身所找到的最优解,这个解称为个体极值;另一个极值是整个种
智能优化算法之粒子群算法
不曾走远的博客
03-11 2574
粒子群优化算法PSO是一种进化计算技术。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解．
粒子群算法应用在路径规划matlab
11-06
粒子群算法应用在路径规划matlab 程序调通，里面有相应的论文，相互学习
粒子群算法及应用
09-30
粒子群算法及应用 主要讲解蚁群粒子群算法的原理和若干应用场景
粒子群算法概述、原理及应用.pdf
03-28
粒子群算法具有实现简单、收敛速度快、全局搜索能力强等优点，因此在多个领域得到了广泛的应用。这些应用领域包括函数优化、神经网络训练、模糊系统控制、组合优化问题、多目标优化问题、机器学习问题、最优路径规划
粒子群算法及应用_纪震著.pdf
06-09
粒子群算法是一种新的模仿...全书共分为八章，分别论述了基本粒子群算法和改进粒子群算法的原理，并且详细介绍了粒子群算法在函数优化、图像压缩和基因聚类中的应用，最后给出了粒子群算法的应用综述和相关程序代码。
粒子群优化算法应用
10-10
粒子群优化算法在节能控制当作用的应用粒子群优化算法在节能控制当作用的应用
【算法】二分算法——x的平方根
2302_79031646的博客
05-17 789
用二分边界算法来求解——x的平方根，从暴力求解到二分的优化细说
【算法】【二叉树，DFS，哈希集合，分类讨论】力扣1110. 删点成林
未来就在脚下。
05-20 496
本题通过DFS遍历二叉树，结合分类讨论的方法，逐步删除指定节点并生成新的森林。该算法有效地处理了节点删除后树结构的调整问题，并通过哈希集合优化删除判断的时间复杂度，最终实现了高效的解决方案。
力扣62 不同路径 Java版本
最新发布
m0_47066863的博客
05-20 187
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。从左上角开始，总共有 3 条路径可以到达右下角。题目数据保证答案小于等于 2 * 109。输入：m = 3, n = 7。输入：m = 3, n = 2。输入：m = 7, n = 3。输入：m = 3, n = 3。问总共有多少条不同的路径？
【二叉树算法题记录】从中序与后序遍历序列构造二叉树，从前序与中序遍历序列构造二叉树
weixin_43627638的博客
05-15 379
这样我们就能确定整棵树的根节点在。
粒子群算法应用于多元回归
05-16
粒子群算法是一种优化算法，可以应用于多元回归问题中。在多元回归中，我们需要找到一组最佳的系数，使得预测值与实际值之间的误差最小。粒子群算法可以帮助我们找到这组最佳的系数。 具体来说，粒子群算法模拟了一群鸟或昆虫在搜索食物的过程。每个个体被称为粒子，它们在解空间中移动，并且根据其自身的经验和群体中其他粒子的经验来调整它们的位置。在多元回归中，每个粒子代表一组系数，我们可以将其看作是一个解。 在粒子群算法中，每个粒子都有一个适应度值，代表该粒子的解在目标函数中的表现。在多元回归中，适应度函数可以是预测值与实际值之间的误差。算法通过迭代不断更新粒子的位置和速度，并且根据适应度函数来评估解的质量，从而找到最佳解。 总之，粒子群算法可以应用于多元回归问题中，帮助我们找到最佳的系数，从而提高预测的准确性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值