一.产生背景
❃粒子群算法(particleswarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法对于Hepper的模拟鸟群(鱼群)的模型进行修正，以使粒子能够飞向解空间，并在最好解处降落，从而得到了粒子群优化算法。
❃同遗传算法类似，也是一种基于群体叠代的，但并没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。
❃PSO的优势在于简单，容易实现，无需梯度信息，参数少，特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。
设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。
那么找到食物的最优策略是什么？
最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
二.算法介绍
(1)简述
❃每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
❃所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。
❃每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
❃每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
(2)基本PSO算法a. D维空间中，有m个粒子；
粒子i位置：xi=(xi1,xi2,…xiD)
粒子i速度：vi=(vi1,vi2,…viD)，1≤i≤m,1 ≤d ≤D
粒子i经历过的历史最好位置：pi=(pi1,pi2,…piD)
群体内（或领域内）所有粒子所经历过的最好位置：
pg =(pg1,pg2,…pgD)
PS:一般来说，粒子的位置和速度都是在连续的实数空间内进行取值。
b.基本PSO公式
(3)基本PSO算法流程图
关于每个粒子的更新速度和位置的公式如下:
三.简单应用
(1)•编码：因为问题的维数为5，所以每个粒子为5维的实数向量。
(2)•初始化范围：根据问题要求，设定为[-30，30]。根据前面的参数分析，我们知道，可以将最大速度设定为Vmax=60。
(3)•种群大小：为了说明方便，这里采用一个较小的种群规模，m=5。
(4)•停止准则：设定为最大迭代次数100次。
(5)•惯性权重：采用固定权重0.5。
(6)邻域拓扑结构：使用星形拓扑结构，即全局版本的粒子群优化算法
算法执行的过程如下:
四.代码实现:运用粒子群算法解决
TSP问题
1.matlab实现
close all;
clear all;
PopSize=500;%种群大小
CityNum = 14;%城市数
OldBestFitness=0;%旧的最优适应度值
Iteration=0;%迭代次数
MaxIteration =2000;%最大迭代次数
IsStop=0;%程序停止标志
Num=0;%取得相同适应度值的迭代次数
c1=0.5;%认知系数
c2=0.7;%社会学习系数
w=0.96-Iteration/MaxIteration;%惯性系数,随迭代次数增加而递减
%节点坐标
node=[16.47 96.10; 16.47 94.44; 20.09 92.54; 22.39 93.37; 25.23 97.24;...
22.00 96.05; 20.47 97.02; 17.20 96.29; 16.30 97.38; 14.05 98.12;...
16.53 97.38; 21.52 95.59; 19.41 97.13; 20.09 94.55];
%初始化各粒子，即产生路径种群
Group=ones(CityNum,PopSize);
for i=1:PopSize
Group(:,i)=randperm(CityNum)';
end
Group=Arrange(Group);
%初始化粒子速度（即交换序）
Velocity =zeros(CityNum,PopSize);
for i=1:PopSize
Velocity(:,i)=round(rand(1,CityNum)'*CityNum); %round取整
end
%计算每个城市之间的距离
CityBetweenDistance=zeros(CityNum,CityNum);
for i=1:CityNum
for j=1:CityNum
CityBetweenDistance(i,j)=sqrt((node(i,1)-node(j,1))^2+(node(i,2)-node(j,2))^2);
end
end
%计算每条路径的距离
for i=1:PopSize
EachPathDis(i) = PathDistance(Group(:,i)',CityBetweenDistance);
end
IndivdualBest=Group;%记录各粒子的个体极值点位置,即个体找到的最短路径
IndivdualBestFitness=EachPathDis;%记录最佳适应度值,即个体找到的最短路径的长度
[GlobalBestFitness,index]=min(EachPathDis);%找出全局最优值和相应序号
%初始随机解
figure;
subplot(2,2,1);
PathPlot(node,CityNum,index,IndivdualBest);
title('随机解');
%寻优
while(IsStop == 0) & (Iteration < MaxIteration)
%迭代次数递增
Iteration = Iteration +1;
%更新全局极值点位置,这里指路径
for i=1:PopSize
GlobalBest(:,i) = Group(:,index);
end
%求pij-xij ,pgj-xij交换序，并以概率c1，c2的保留交换序
pij_xij=GenerateChangeNums(Group,IndivdualBest);
pij_xij=HoldByOdds(pij_xij,c1);
pgj_xij=GenerateChangeNums(Group,GlobalBest);
pgj_xij=HoldByOdds(pgj_xij,c2);
%以概率w保留上一代交换序
Velocity=HoldByOdds(Velocity,w);
Group = PathExchange(Group,Velocity); %根据交换序进行路径交换
Group = PathExchange(Group,pij_xij);
Group = PathExchange(Group,pgj_xij);
for i = 1:PopSize % 更新各路径总距离
EachPathDis(i) = PathDistance(Group(:,i)',CityBetweenDistance);
end
IsChange = EachPathDis<IndivdualBestFitness;%更新后的距离优于更新前的，记录序号
IndivdualBest(:, find(IsChange)) = Group(:, find(IsChange));%更新个体最佳路径
IndivdualBestFitness = IndivdualBestFitness.*( ~IsChange) + EachPathDis.*IsChange;%更新个体最佳路径距离
[GlobalBestFitness, index] = min(EachPathDis);%更新全局最佳路径,记录相应的序号
if GlobalBestFitness==OldBestFitness %比较更新前和更新后的适应度值;
Num=Num+1; %相等时记录加一;
else
OldBestFitness=GlobalBestFitness;%不相等时更新适应度值，并记录清零;
Num=0;
end
if Num >= 20 %多次迭代的适应度值相近时程序停止
IsStop=1;
end
BestFitness(Iteration) =GlobalBestFitness;%每一代的最优适应度
end
%最优解
subplot(2,2,2);
PathPlot(node,CityNum,index,IndivdualBest);
title('优化解');
%进化曲线
subplot(2,2,3);
plot((1:Iteration),BestFitness(1:Iteration));
grid on;
title('进化曲线');
%最小路径值
GlobalBestFitness
运行结果如下:
-
package pso; import java.awt.*; import java.awt.event.*; import java.io.ByteArrayInputStream; import java.io.InputStream; import javax.swing.*; import javax.swing.event.*; public class Pso extends Frame implements Runnable { private static int particleNumber; //粒子的数量 private static int iterations; //迭代的次数 private static int k=1; //记录迭代的次数 final private static float C1=2; //学习因子 final private static float C2=2; final private static float WMIN=-200; final private static float WMAX=200; final private static float VMAX=200; private static float r1; //随机数0-1之间 private static float r2; private static float x[][]; private static float v[][]; private static float xpbest[][]; private static float pbest[]; private static float gbest=0; private static float xgbest[]; private static float w; //惯性因子 private static float s; private static float h; private static float fit[]; public Sounds sound; //粒子群的迭代函数 public void lzqjs() { w=(float)(0.9-k*(0.9-0.4)/iterations); for(int i=0;i<particleNumber;i++) { fit[i]= (float)(1/(Math.pow(x[i][0],2)+Math.pow(x[i][1],2))); //求适值函数最大值 System.out.print("粒子"+i+"本次适应值函数f为：" + fit[i]); System.out.println(); if(fit[i]>pbest[i]) { pbest[i]=fit[i]; xpbest[i][0]=x[i][0]; xpbest[i][1]=x[i][1]; } if(pbest[i]>gbest) { gbest=pbest[i]; xgbest[0]=xpbest[i][0]; xgbest[1]=xpbest[i][1]; } } for(int i=0;i<particleNumber;i++) { for(int j=0;j<2;j++) { //粒子速度和位置迭代方程: v[i][j]=(float)(w*v[i][j]+C1*Math.random()*(xpbest[i][j]-x[i][j])+C2*Math.random()*(xgbest[j]-x[i][j])); x[i][j]=(float)(x[i][j]+v[i][j]); } System.out.print("粒子"+i+"本次X1的速度变化幅度:"+v[i][0]+";本次X2的速度变化幅度:"+v[i][1]); System.out.println(); System.out.print("粒子"+i+"本次X1为："+x[i][0]+";本次X2为："+x[i][1]); System.out.println(); } } public static void main(String[] args) { particleNumber=Integer.parseInt(JOptionPane.showInputDialog("请输入粒子个数1-500）")); iterations=Integer.parseInt(JOptionPane.showInputDialog("请输入迭代次数")); x=new float [particleNumber][2]; v=new float [particleNumber][2]; fit=new float [particleNumber]; //存储适值函数值 pbest=new float [particleNumber]; //存储整个粒子群的最有位置 xpbest=new float [particleNumber][2]; xgbest=new float [2]; for(int i=0;i<particleNumber;i++) { //对数组的初始化操作 pbest[i]=0; xpbest[i][0]=0; xpbest[i][1]=0; } xgbest[0]=0; xgbest[1]=0; System.out.println("开始初始化："); for(int i=0;i<particleNumber;i++) { for(int j=0;j<2;j++) { //任意给定每个位置一定的位置值和速度值 x[i][j]=(float)(WMAX*Math.random()+WMIN); v[i][j]=(float)(VMAX*Math.random()); } System.out.print("粒子"+i+"本次X1的变化幅度:"+v[i][0]+";本次X2的变化幅度:"+v[i][1]); System.out.println(); System.out.print("粒子"+i+"本次X1为："+x[i][0]+";本次X2为："+x[i][1]); System.out.println(); } System.out.println("初始化数据结束，开始迭代....."); Pso threada=new Pso(); threada.setTitle("基于粒子群的粒子位置动态显示"); threada.setSize(800,800); threada.addWindowListener(new gbck()); threada.setVisible(true); Thread threadc=new Thread(threada); threadc.start(); } static class gbck extends WindowAdapter { public void windowClosing(WindowEvent e) { System.exit(0); } } //开启的额外线程用于声音的播放 public void run() { repaint(); for(int i=0;i<iterations;i++){ sound(); } } public void paint(Graphics g) { g.setColor(new Color(0,0,0)); for(int i=0;i<particleNumber;i++) { g.drawString("*",(int)(x[i][0]+200),(int)(x[i][1]+200)); } g.setColor(new Color(255,0,0)); g.drawString("全局最优适应度函数值："+gbest+" 参数1："+xgbest[0]+" 参数2："+xgbest[1]+" 迭代次数："+ k,50,725); try { lzqjs(); //开始迭代 if(k>=iterations) { Thread.sleep((int)(5000)); System.exit(0); } k=k+1; //每次迭代一次加1操作 Thread.sleep((int)(1000)); } catch(InterruptedException e) { System.out.println(e.toString()); } repaint(); } public void sound(){ sound =new Sounds("050.wav"); InputStream stream =new ByteArrayInputStream(sound.getSamples()); // play the sound sound.play(stream); // exit } }
算法代码地址:http://download.csdn.net/detail/u012017783/9700118(Matlab ,java两个版本)
-
package pso;
-
import java.awt.*;
-
import java.awt.event.*;
-
import java.io.ByteArrayInputStream;
-
import java.io.InputStream;
-
-
import javax.swing.*;
-
import javax.swing.event.*;
-
public class Pso extends Frame implements Runnable
-
{
-
private static int particleNumber; //粒子的数量
-
private static int iterations; //迭代的次数
-
private static int k= 1; //记录迭代的次数
-
final private static float C1= 2; //学习因子
-
final private static float C2= 2;
-
final private static float WMIN=- 200;
-
final private static float WMAX= 200;
-
final private static float VMAX= 200;
-
private static float r1; //随机数0-1之间
-
private static float r2;
-
private static float x[][];
-
private static float v[][];
-
private static float xpbest[][];
-
private static float pbest[];
-
private static float gbest= 0;
-
private static float xgbest[];
-
private static float w; //惯性因子
-
private static float s;
-
private static float h;
-
private static float fit[];
-
public Sounds sound;
-
-
//粒子群的迭代函数
-
public void lzqjs()
-
{
-
-
w=( float)( 0.9-k*( 0.9- 0.4)/iterations);
-
for( int i= 0;i<particleNumber;i++)
-
{
-
fit[i]= ( float)( 1/(Math.pow(x[i][ 0], 2)+Math.pow(x[i][ 1], 2))); //求适值函数最大值
-
System.out.print( "粒子"+i+ "本次适应值函数f为：" + fit[i]);
-
System.out.println();
-
if(fit[i]>pbest[i])
-
{
-
pbest[i]=fit[i];
-
xpbest[i][ 0]=x[i][ 0];
-
xpbest[i][ 1]=x[i][ 1];
-
}
-
if(pbest[i]>gbest)
-
{
-
gbest=pbest[i];
-
xgbest[ 0]=xpbest[i][ 0];
-
xgbest[ 1]=xpbest[i][ 1];
-
}
-
}
-
for( int i= 0;i<particleNumber;i++)
-
{
-
for( int j= 0;j< 2;j++)
-
{
-
//粒子速度和位置迭代方程:
-
v[i][j]=( float)(w*v[i][j]+C1*Math.random()*(xpbest[i][j]-x[i][j])+C2*Math.random()*(xgbest[j]-x[i][j]));
-
-
x[i][j]=( float)(x[i][j]+v[i][j]);
-
-
}
-
System.out.print( "粒子"+i+ "本次X1的速度变化幅度:"+v[i][ 0]+ ";本次X2的速度变化幅度:"+v[i][ 1]);
-
System.out.println();
-
System.out.print( "粒子"+i+ "本次X1为："+x[i][ 0]+ ";本次X2为："+x[i][ 1]);
-
System.out.println();
-
}
-
}
-
public static void main(String[] args)
-
{
-
-
particleNumber=Integer.parseInt(JOptionPane.showInputDialog( "请输入粒子个数1-500）"));
-
iterations=Integer.parseInt(JOptionPane.showInputDialog( "请输入迭代次数"));
-
x= new float [particleNumber][ 2];
-
v= new float [particleNumber][ 2];
-
fit= new float [particleNumber]; //存储适值函数值
-
pbest= new float [particleNumber]; //存储整个粒子群的最有位置
-
xpbest= new float [particleNumber][ 2];
-
xgbest= new float [ 2];
-
for( int i= 0;i<particleNumber;i++)
-
{
-
-
//对数组的初始化操作
-
pbest[i]= 0;
-
xpbest[i][ 0]= 0;
-
xpbest[i][ 1]= 0;
-
}
-
xgbest[ 0]= 0;
-
xgbest[ 1]= 0;
-
System.out.println( "开始初始化：");
-
for( int i= 0;i<particleNumber;i++)
-
{
-
-
for( int j= 0;j< 2;j++)
-
{
-
//任意给定每个位置一定的位置值和速度值
-
x[i][j]=( float)(WMAX*Math.random()+WMIN);
-
v[i][j]=( float)(VMAX*Math.random());
-
}
-
System.out.print( "粒子"+i+ "本次X1的变化幅度:"+v[i][ 0]+ ";本次X2的变化幅度:"+v[i][ 1]);
-
System.out.println();
-
System.out.print( "粒子"+i+ "本次X1为："+x[i][ 0]+ ";本次X2为："+x[i][ 1]);
-
System.out.println();
-
}
-
System.out.println( "初始化数据结束，开始迭代.....");
-
Pso threada= new Pso();
-
threada.setTitle( "基于粒子群的粒子位置动态显示");
-
threada.setSize( 800, 800);
-
threada.addWindowListener( new gbck());
-
threada.setVisible( true);
-
Thread threadc= new Thread(threada);
-
threadc.start();
-
}
-
static class gbck extends WindowAdapter
-
{
-
public void windowClosing(WindowEvent e)
-
{
-
System.exit( 0);
-
}
-
}
-
-
//开启的额外线程用于声音的播放
-
public void run()
-
{
-
-
repaint();
-
-
for( int i= 0;i<iterations;i++){
-
sound();
-
}
-
}
-
public void paint(Graphics g)
-
{
-
-
g.setColor( new Color( 0, 0, 0));
-
for( int i= 0;i<particleNumber;i++)
-
{
-
g.drawString( "*",( int)(x[i][ 0]+ 200),( int)(x[i][ 1]+ 200));
-
}
-
g.setColor( new Color( 255, 0, 0));
-
g.drawString( "全局最优适应度函数值："+gbest+ " 参数1："+xgbest[ 0]+ " 参数2："+xgbest[ 1]+ " 迭代次数："+ k, 50, 725);
-
-
try
-
{
-
lzqjs(); //开始迭代
-
-
if(k>=iterations)
-
{
-
-
Thread.sleep(( int)( 5000));
-
System.exit( 0);
-
}
-
k=k+ 1; //每次迭代一次加1操作
-
Thread.sleep(( int)( 1000));
-
}
-
catch(InterruptedException e)
-
{
-
System.out.println(e.toString());
-
}
-
repaint();
-
}
-
public void sound(){
-
sound = new Sounds( "050.wav");
-
InputStream stream = new ByteArrayInputStream(sound.getSamples());
-
// play the sound
-
sound.play(stream);
-
// exit
-
-
}
-
}
276
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
