粒子群(PSO)算法（附完整Matlab代码，可直接复制）

karwen2020

已于 2022-12-15 18:57:22 修改

阅读量4w

点赞数 109

分类专栏： Matlab 文章标签：算法

于 2022-07-12 11:07:26 首次发布

本文链接：https://blog.csdn.net/xinzhi1992/article/details/125730562

版权

Matlab 专栏收录该内容

11 篇文章 103 订阅

订阅专栏

尊重他人劳动成果，请勿转载！

有问题可留言或私信，看到了都会回复解答！

其他算法请参考：

1、粒子群（PSO）优化算法（附完整Matlab代码，可直接复制）https://blog.csdn.net/xinzhi1992/article/details/125730562?spm=1001.2014.3001.5502

2、灰狼（GWO）优化算法（附完整Matlab代码，可直接复制）https://blog.csdn.net/xinzhi1992/article/details/125826933?spm=1001.2014.3001.5502

3、正余弦（SCA）优化算法（附完整Matlab代码，可直接复制）https://blog.csdn.net/xinzhi1992/article/details/115359297?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22115359297%22%2C%22source%22%3A%22xinzhi1992%22%7D

4、萤火虫（FA）优化算法（附完整Matlab代码，可直接复制）https://blog.csdn.net/xinzhi1992/article/details/126761617?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126761617%22%2C%22source%22%3A%22xinzhi1992%22%7D 5、果蝇（FOA）优化算法(附完整Matlab代码，可直接复制）https://blog.csdn.net/xinzhi1992/article/details/127649424

在粒子群优化算法中，每个解可用一只鸟（粒子）表示，目标函数就是鸟群所需要寻找的食物源。寻找最优解的过程中，粒子包含两种行为：个体行为和群体行为。

个体行为：粒子根据自身在寻优过程中的最优解更新自己的位置。

群体行为：粒子根据群体在寻优过程中的最优解更新自己的位置。

假设N个粒子组成1个粒子群，每个粒子都是一个D维向量，则每个粒子的位置为：

$x_{i} =\left\{ x_{i1} ,x_{i2} ,x_{i3},...,x_{iD}\right\} ,i=1,2,3,....,N$

将其代入适应度函数计算出适应度值，第i个粒子经历过的最优适应度值的位置记为个体历史最优：

$P_{besti} =\left\{ P_{besti1} ,P_{besti2} ,P_{besti3},...,P_{bestiD}\right\} ,i=1,2,...N$

整个粒子群经历过的最优位置记为全局最优：

$g_{besti} =\left\{ g_{besti1} ,g_{besti2} ,g_{besti3},...,g_{bestiD}\right\} ,i=1,2,...N$

第i个粒子的飞行速度记为：

$v_{i} =\left\{ v_{i1} ,v_{i2} ,v_{i3},...,v_{iD}\right\} ,i=1,2,...N$

则第t+1轮迭代后第i个粒子的第j维速度为：

$v_{ij}(t+1) =v_{ij}(t)+c_{1}r_{1}(P_{besti}(t)-x_{ij}(t))+c_{2}r_{2}(g_{bestj}-x_{ij}(t)),i=1,2,...N,j=1,2,...,D$

位置更新为：

$x_{ij}(t+1) =x_{ij}(t)+v_{ij}(t),i=1,2,...N,j=1,2,...D$

若粒子位置任何一维超出限定的上界ub和下界lb,则将其直接赋值为ub或lb。

粒子群PSO完整Matlab代码如下：

%pop——种群数量
%dim——问题维度
%ub——变量上界，[1,dim]矩阵
%lb——变量下界，[1,dim]矩阵
%fobj——适应度函数（指针）
%MaxIter——最大迭代次数
%Best_Pos——x的最佳值
%Best_Score——最优适应度


clc;
clear all;
close all;
pop=50;
dim=2;
ub=[10,10];
lb=[-10,-10];
vmax=[2,2];
vmin=[-2,-2];
maxIter=100;
fobj=@(X)fun(X);
[Best_Pos,Best_fitness,IterCurve]=pso(pop,dim,ub,lb,fobj,vmax,vmin,maxIter);
figure
plot(IterCurve,'r','linewidth',2);
grid on;
disp(['求解得到的x1，x2是:',num2str(Best_Pos(1)),' ',num2str(Best_Pos(2))]);
disp(['最优解对应的函数:',num2str(Best_fitness)]);





function [X]=initialization(pop,ub,lb,dim)
    for i=1:pop
        for j=1:dim
            X(i,j)=(ub(j)-lb(j))*rand()+lb(j);%在限定的  
        end 
    end
end

function fitness=fun(x)
    fitness=sum(x.^2);
end

function [X]=BoundaryCheck(X,ub,lb,dim)
    for i=1:dim
        if X(i)>ub(i)
            X(i)=ub(i);
        end
        if X(i)<lb(i)
            X(i)=lb(i);
        end
    end
end

function [Best_Pos,Best_fitness,IterCurve]=pso(pop,dim,ub,lb,fobj,vmax,vmin,maxIter)
c1=2.0;
c2=2.0;
V=initialization(pop,vmax,vmin,dim);
X=initialization(pop,ub,lb,dim);
fitness=zeros(1,pop);
for i=1:pop
    fitness(i)=fobj(X(i,:));
end
pBest=X;
pBestFitness=fitness;
[~,index]=min(fitness);
gBestFitness=fitness(index);
gBest=X(index,:);
Xnew=X;
fitnessNew=fitness;
for t=1:maxIter
    for i=1:pop
        r1=rand(1,dim);
        r2=rand(1:dim);
        V(i,:)=V(i,:)+c1.*r1.*(pBest(i,:)-X(i,:))+c2.*r2.*(gBest-X(i,:));
        V(i,:)=BoundaryCheck(V(i,:),vmax,vmin,dim);
        Xnew(i,:)=X(i,:)+V(i,:);
        fitnessNew(i)=fobj(Xnew(1,:));
        if fitnessNew(i)<pBestFitness(i)
            pBest(i,:)=Xnew(i,:);
            pBestFitness(i)=fitnessNew(i);
        end
        if fitnessNew(i)<gBestFitness
            gBestFitness=fitnessNew(i);
            gBest=Xnew(i,:);
        end
    end
    X=Xnew;
    fitness=fitnessNew;
    Best_Pos=gBest;
    Best_fitness=gBestFitness;
    IterCurve(t)=gBestFitness;
end
end