带交叉因子的粒子群优化算法matlab源程序

最新推荐文章于 2024-03-10 16:49:29 发布
最新推荐文章于 2024-03-10 16:49:29 发布
阅读量3.9k 收藏 16
点赞数 1
分类专栏： matlab代码 文章标签： matlab 算法 优化 数据结构 plot c

 

带交叉因子的粒子群优化算法matlab源程序
大明 发表于 2006-8-26 17:04:00

      程序源代码:其中PSOGA.m文件,也就是主程序如下

%-----------------------------------------------
%------名称：带交叉因子的改进PSO算法
%------功能：求解多维无约束优化问题
%------特点：收敛性强，还可以加入变异算子
%------作者：孙明杰 <dreamsun2001@126.com>
%------单位：中国矿业大学计算数学硕2005
%------日期：2006年8月26日
%-----------------------------------------------

%格式标准化
clear all;
clc;
format long;
%初始化各个因子
c1=1.4962;    %学习因子c1
c2=1.4962;    %学习因子c2
w=0.7298;     %惯性权重w
N=20;         %粒子群规模
D=6;          %搜索空间维数(本程序适合3维及以上，不能求解1,2维)
eps=10^(-6);  %满足条件限制的误差(在不知道最小值时候不用设置)
MaxDT=500;    %粒子群繁殖的代数

%初始化粒子的速度和位置，数据结构用矩阵A表示
for i=1:N
    for j=1:2*D
        A(i,j)=rand;
    end
end
for i=1:N
    for j=2*D+1:3*D
        A(i,j)=A(i,j-2*D);
    end
end
%计算各个粒子的适应度
for i=1:N
    A(i,3*D+1)=fitness(A(i,1:D),D);
end
%对粒子的适应度进行排序
B=sortrows(A,3*D+1);
%排序后适应度低的前面一半粒子直接进入下一代
NextGeneration=zeros(N,3*D+1);
for i=1:N/2
    for j=1:3*D+1
        NextGeneration(i,j)=B(i,j);
    end
end
%后一半粒子进行遗传选择和交叉操作
for i=1:N/2
    for j=1:3*D+1
        Cross(i,j)=B(i+N/2,j);
    end
end
%产生一个随机的交叉位置
for i=1:N/4
    Anumber=randperm(D-1);
    if Anumber(1)~=1
        position=Anumber(1);
    else
        position=Anumber(2);
    end
    %交叉进行
    for j=position:D-1
        temp=Cross(i,j);
        Cross(i,j)=Cross(N/2-i+1,j);
        Cross(N/2-i+1,j)=temp;
    end
end
%交叉结束，进行更新
for i=1:N/2
    Cross(i,3*D+1)=fitness(Cross(i,1:D),D);
    if Cross(i,3*D+1)<B(i+N/2,3*D+1)
        for j=2*D+1:3*D
            Cross(i,j)=Cross(i,j-2*D);
        end
    else
        for j=2*D+1:3*D
            Cross(i,j)=B(i,j);
        end
    end
end
%下面选择最好的粒子N/2个进入下一代
Pool=zeros(N,3*D+1);
for i=1:N/2
    for j=1:3*D+1
        Pool(i,j)=B(i+N/2,j);
    end
end
for i=1+N/2:N
    for j=1:3*D+1
        Pool(i,j)=Cross(i-N/2,j);
    end
end
%POOLX表示排序后的粒子选择池
PoolX=sortrows(Pool,3*D+1);
for i=1+N/2:N
    for j=1:3*D+1
        NextGeneration(i,j)=PoolX(i-N/2,j);
    end
end
Pbest=NextGeneration(i,2*D+1:3*D);
for i=2:N
    if NextGeneration(i,3*D+1)<fitness(Pbest,D)
        Pbest=NextGeneration(i,2*D+1:3*D);
    end
end
%根据粒子群公式进行迭代(Stander PSO Step)
%速度更新
for i=1:N
    for j=D+1:2*D
        A(i,j)=w*NextGeneration(i,j)+c1*rand*(NextGeneration(i,j+D)-NextGeneration(i,j-D))+c2*rand*(Pbest(j-D)-NextGeneration(i,j-D));
    end
end
%位置更新
for i=1:N
    for j=1:D
        A(i,j)=NextGeneration(i,j)+A(i,j+D);
    end
    A(i,3*D+1)=fitness(A(i,1:D),D);
    if A(i,3*D+1)<NextGeneration(i,3*D+1)
        for j=2*D+1:3*D
            A(i,j)=A(i,j-2*D);
        end
    else
        for j=2*D+1:3*D
            A(i,j)=NextGeneration(i,j-2*D);
        end
    end
end
%下面进入主要循环，循环到最大次数得到最优解和最小值
%DDTime=1;
for time=1:MaxDT
    B=sortrows(A,3*D+1);
    NextGeneration=zeros(N,3*D+1);
    for i=1:N/2
        for j=1:3*D+1
            NextGeneration(i,j)=B(i,j);
        end
    end
    %遗传选择交叉
    for i=1:N/2
        for j=1:3*D+1
            Cross(i,j)=B(i+N/2,j);
        end
    end

    for i=1:N/4
        Anumber=randperm(D-1);
        if Anumber(1)~=1
            position=Anumber(1);
        else
            position=Anumber(2);
        end
       
        for j=position:D-1
            temp=Cross(i,j);
            Cross(i,j)=Cross(N/2-i+1,j);
            Cross(N/2-i+1,j)=temp;
        end
    end
    %交叉结束，进行更新
    for i=1:N/2
        Cross(i,3*D+1)=fitness(Cross(i,1:D),D);
        if Cross(i,3*D+1)<B(i+N/2,3*D+1)
            for j=2*D+1:3*D
                Cross(i,j)=Cross(i,j-2*D);
            end
        else
            for j=2*D+1:3*D
                Cross(i,j)=B(i,j);
            end
        end
    end
    %下面选择最好的粒子N/2个进入下一代
    Pool=zeros(N,3*D+1);
    for i=1:N/2
        for j=1:3*D+1
            Pool(i,j)=B(i+N/2,j);
        end
    end
    for i=1+N/2:N
        for j=1:3*D+1
            Pool(i,j)=Cross(i-N/2,j);
        end
    end
   
    PoolX=sortrows(Pool,3*D+1);
    for i=1+N/2:N
        for j=1:3*D+1
            NextGeneration(i,j)=PoolX(i-N/2,j);
        end
    end
    Pbest=NextGeneration(i,2*D+1:3*D);
    for i=2:N
        if NextGeneration(i,3*D+1)<fitness(Pbest,D)
            Pbest=NextGeneration(i,2*D+1:3*D);
        end
    end
    %根据粒子群公式进行迭代
    for i=1:N
        for j=D+1:2*D
            A(i,j)=w*NextGeneration(i,j)+c1*rand*(NextGeneration(i,j+D)-NextGeneration(i,j-D))+c2*rand*(Pbest(j-D)-NextGeneration(i,j-D));
       end
    end
   
    for i=1:N
        for j=1:D
            A(i,j)=NextGeneration(i,j)+A(i,j+D);
        end
        A(i,3*D+1)=fitness(A(i,1:D),D);
        if A(i,3*D+1)<NextGeneration(i,3*D+1)
            for j=2*D+1:3*D
                A(i,j)=A(i,j-2*D);
            end
        else
            for j=2*D+1:3*D
                A(i,j)=NextGeneration(i,j-2*D);
            end
        end
    end
    Pg(time)=fitness(Pbest,D);
    %DDTime=DDTime+1;
    %if fitness(Pbest,D)<eps
        %break;
    %end
end
%算法结束，得到的结果显示如下：
disp('****************************************************')
disp('最后得到的最优位置为：')
X=Pbest'
disp('得到的函数最小值为：')
Minimize=fitness(Pbest,D)
disp('****************************************************')
%绘制进化代数和适应度关系曲线图
xx=linspace(1,MaxDT,MaxDT);
yy=Pg(xx);
plot(xx,yy,'b-')
hold on
grid on
title('带交叉因子的粒子群优化算法进化代数与适应度值关系曲线图')
legend('粒子适应度曲线走势')
%------算法结束---DreamSun GL & HF-------------------------

 

谢鹏鹤
关注
  • 1
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
【优化求解】基于matlab遗传算法结合粒子群算法求解单目标优化问题【含Matlab源码 1659期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
01-06 7209
遗传算法结合粒子群算法求解单目标优化问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
带交叉因子的粒子群优化算法matlab源程序.zip
06-05
本算法为混合算法，粒子群算法和遗传算法相结合，有很好的性能，程序中以函数优化为例，并且有适应度趋势图，代码有注释！代码有注释！代码有注释！
基于遗传算法交叉算子的混合型粒子群算法实现TSP问题（大致流程）
mouselet3的博客
03-31 364
TSP问题求解
数学建模【对粒子群算法中惯性权重和学习因子的改进】
最新发布
W_O_Z的博客
03-10 2289
设置较大的c1值，会使粒子过多的在局部搜索（这里的局部搜索指的是粒子会过多的在自身的局部范围内进行搜索，从全局来看实际上增大了搜索范围。反之，较大的c2值会使粒子过早收敛到局部最优值。设置c1较大的值，会使粒子过多地在自身的局部范围内搜索，而较大的c2的值，则又会促使粒子过早收敛到局部最优值。为了有效地控制粒子的飞行速度，使算法达到全局搜索与局部搜索两者间的有效平衡，Clerc构造了引入收缩因子的PSO模型，采用了压缩因子，这种调整方法通过合适选取参数，可确保PS0算法的收敛性，并可取消对速度的边界限制。
带交叉因子的粒子群优化算法matlab源程序.doc
05-30
【带交叉因子的粒子群优化算法matlab源程序】是一种基于优化技术的算法实现，用于解决多维无约束优化问题。粒子群优化（PSO）算法是受到鸟群觅食行为启发的一种全局优化方法，其核心思想是通过群体中每个粒子的飞行...
带交叉因子的粒子群优化算法MATLAB源程序.doc
05-26
带交叉因子的粒子群优化算法MATLAB源程序.doc
[算法]基本粒子群优化算法Matlab源程序.docx
05-07
基本粒子群优化算法（Particle Swarm Optimization，简称PSO）是一种基于群体智能的全局优化算法，由Kennedy和Eberhart于1995年提出。该算法受到鸟群觅食行为的启发，通过模拟粒子在搜索空间中的飞行和学习过程来...
智能优化算法——粒子群算法
weixin_42394252的博客
05-06 9703
粒子群算法（也叫鸟群觅食算法） 群体迭代，粒子在解空间追随最优的粒子进行搜索 特点：简单易行、收敛速度快、设置参数少 优点：原理简单，收敛速度快，设置参数少 缺点：易早熟收敛至局部最优，迭代后期收敛速度慢 1、发展 是一种进化计算技术，1995年由Kennedy和Eberhart于1995年提出。 来源于对鸟群捕食行为的研究，模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。 2、基本思想 设想一个场景：一群鸟在随机搜索食物 已知：在
混沌粒子群优化算法代码
05-13
混沌优化算法代码 粒子群 啊阿的发呆发呆发呆时发生的发生地发啊打发
混沌粒子群优化算法代码与实现
03-02
混沌粒子群优化算法代码与实现。混沌优化算法代码 粒子群
一些关于粒子群算法的文献-混沌映射的粒子群优化方法.pdf
08-13
一些关于粒子群算法的文献-混沌映射的粒子群优化方法.pdf 关于粒子群算法的一些期刊论文
粒子群-粒子群_神经网络混合算法在短期电价预测中的应用.zip
03-16
粒子群-粒子群_神经网络混合算法在短期电价预测中的应用.pdf 粒子群算法 140 120}---- 100 时段/h 时段h 10月6日 10月?日 时段/ 真实值 时段 10月9日 预测值 10月10日 o1994-2010ChinaAcademicjOurnalElectronicPublishingHouse.Allrightsreservedhttp:/www.cnki.net 迭代次数 8001000 PSO-BP混合算法 选忙数
粒子群算法及通过惯性权重和学习因子对其进行改进—MATLAB实现
爱听雨的犬猫
08-16 1万+
本文主要是对粒子群算法(PSO)进行了介绍，并且举例通过MATLAB实现。然后通过对惯性权重和学习因子的优化对算法进行了改进。最后还给出了在找到最优值后怎样提前结束循环的方法以减少算法执行时间。............
粒子群优化算法（PSO）
热门推荐
m0_61735754的博客
03-15 4万+
粒子群优化算法（PSO） 粒子群优化算法（PSO）是一种进化计算技术，源于对鸟群捕食行为的研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物及群活动行为观察的基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。 什么是粒子群算法 官方说法 粒子群算法，也称粒子群优化算法或鸟群觅食算法，缩写为PSO，是一种新的进化算法。PSO算法属于进化算法中的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代
数学建模算法之粒子群算法
qq_44858401的博客
08-18 1935
数学建模之粒子群算法 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。 粒子公式： 在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位
粒子群算法
qq_27930545的博客
01-08 520
群体大小m的大小： m太小：容易陷入局部最优 m太大：冗余，迭代速度慢 权重因子：惯性因子+学习因子（加速度） w=1,基本粒子群算法 w=0,失去对原来速度的记忆 c1=0 无私型粒子群算法-只有社会没有自我 c2=0 只有自我没有社会 c1,c2不为0，完全型粒子群算法，较好的选择。 ...
数学建模之粒子群算法详解
韩韩的博客
08-31 1万+
粒子群（鸟群算法）算法是典型的寻优算法。分为全局最优和局部最优。 基本思想：主要模拟自然界生物捕食的策略，群体迭代，粒子在解空间追随最优的例子进行搜索。是智能算法的一种。 算法特点： 简单易行。 收敛速度快。 设置参数少。 一般的限制条件是当达到限制步数或者达到相应的准确度的时，粒子就会停止移动。 设想一个场景：一群鸟在随机搜索食物。 已知（假设）： 1.在这块区域里只有一块食物。 2.所有的鸟...
多目标粒子群优化算法matlab源代码
12-05
多目标粒子群优化算法（MOPSO）是一种常用于求解多目标优化问题的算法。下面是一个使用MATLAB实现的MOPSO算法的源代码： ```matlab function [best_position, best_fitness] = MOPSO(function_handle, num_particles, num_iterations, num_objectives) % 初始化粒子群 particles = struct('position', [], 'velocity', [], 'pbest_position', [], 'pbest_fitness', [], 'dominated_count', 0, 'dominated_set', []); for i = 1:num_particles particles(i).position = rand(1, num_objectives); % 随机初始化每个粒子的位置 particles(i).velocity = zeros(1, num_objectives); % 初始化每个粒子的速度 particles(i).pbest_position = particles(i).position; % 将每个粒子的当前位置设置为个体最优解 particles(i).pbest_fitness = evaluate_fitness(function_handle, particles(i).position); % 计算每个粒子的适应度值 end % 迭代更新粒子群 for t = 1:num_iterations for i = 1:num_particles % 更新粒子速度和位置 particles(i).velocity = update_velocity(particles(i).velocity, particles(i).position, particles(i).pbest_position); particles(i).position = update_position(particles(i).position, particles(i).velocity); % 更新个体最优解 fitness = evaluate_fitness(function_handle, particles(i).position); if dominates(fitness, particles(i).pbest_fitness) particles(i).pbest_position = particles(i).position; particles(i).pbest_fitness = fitness; end % 更新非支配排序信息 particles = update_dominated_set(particles, i); end % 更新全局最优解 [best_fitness, best_particle_index] = get_best_fitness(particles); best_position = particles(best_particle_index).position; end end % 更新粒子速度 function new_velocity = update_velocity(velocity, position, pbest_position) w = 0.6; % 惯性权重 c1 = 1; % 自我认知学习因子 c2 = 1; % 社会认知学习因子 r1 = rand(size(velocity)); r2 = rand(size(velocity)); new_velocity = w * velocity + c1 * r1 .* (pbest_position - position) + c2 * r2 .* (gbest_position - position); end % 更新粒子位置 function new_position = update_position(position, velocity) new_position = position + velocity; end % 计算适应度值 function fitness = evaluate_fitness(function_handle, position) fitness = feval(function_handle, position); end % 判断是否支配 function is_dominated = dominates(fitness1, fitness2) is_dominated = all(fitness1 <= fitness2) && any(fitness1 < fitness2); end % 更新非支配排序信息 function particles = update_dominated_set(particles, i) for j = 1:length(particles) if dominates(particles(i).pbest_fitness, particles(j).pbest_fitness) particles(i).dominated_set = [particles(i).dominated_set, j]; elseif dominates(particles(j).pbest_fitness, particles(i).pbest_fitness) particles(i).dominated_count = particles(i).dominated_count + 1; end end end % 获取最好的适应度值和粒子索引 function [best_fitness, best_particle_index] = get_best_fitness(particles) best_fitness = Inf; best_particle_index = 0; for i = 1:length(particles) if particles(i).dominated_count == 0 && sum(particles(i).pbest_fitness) < best_fitness best_fitness = sum(particles(i).pbest_fitness); best_particle_index = i; end end end ``` 这是一个基本的MOPSO算法实现，其中函数`function_handle`是需要优化的目标函数的句柄，`num_particles`是粒子群中的粒子数目，`num_iterations`是迭代次数，`num_objectives`是目标函数的数目。该算法通过更新粒子的速度和位置，逐步寻找多目标优化问题的最优解集。最后，算法输出全局最优解的位置(`best_position`)和适应度值(`best_fitness`)。 请注意，上述代码仅为一个简单的实现示例，实际应用中可能需要根据具体问题进行一些改进或调整。同时，算法的性能还受到参数的选择和调整的影响，需要根据具体问题进行适当的调整。

“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 4
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