【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]);