计算智能——粒子群优化算法实验

最新推荐文章于 2024-04-22 12:34:57 发布
最新推荐文章于 2024-04-22 12:34:57 发布
阅读量2.5k 收藏 26
点赞数 1
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/zjn1174962912/article/details/103367128
版权

计算智能——粒子群优化算法实验

定义

粒子群优化算法又翻译为粒子群算法、微粒群算法、或微粒群优化算法。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随机搜索算法。通常认为它是群集智能的一种。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

算法流程

流程图

参数说明

种群规模N

种群规模N影响着算法的搜索能力和计算量： 
PSO对种群规模要求不高，一般取20-40就可以达到很好的求解效果，不过对于比较难的问题或者特定类别的问题，粒子数可以取到100或200。

粒子的长度D

粒子的长度D由优化问题本身决定，就是问题解的长度。 粒子的范围R由优化问题本身决定，每一维可以设定不同的范围。

最大速度Vmax

决定粒子每一次的最大移动距离，制约着算法的探索和开发能力
Vmax的每一维一般可以取相应维搜索空间的10%-20%，甚至100%，也有研究使用将Vmax按照进化代数从大到小递减的设置方案。

惯性权重

控制着前一速度对当前速度的影响，用于平衡算法的探索和开发能力
一般设置为从0.9线性递减到0.4，也有非线性递减的设置方案;可以采用模糊控制的方式设定，或者在[0.5, 1.0]之间随机取值;设为0.729的同时将c1和c2设1.49445，有利于算法的收敛。

加速系数c1和c2

加速系数c1和c2代表了粒子向自身极值pBest和全局极值gBest推进的加速权值。
c1和c2通常都等于2.0， 代表着对两个引导方向的同等重视，也存在一些c1和c2不相等的设置，但其范围一般都在0和4之间。研究对c1和c2的自适应调整方案对算法性能的增强有重要意义。

代码

主程序 PSO.m


%% 清空环境
clc
clear

%% 参数初始化
%粒子群算法中的三个参数
c1 = 1.49445;%加速因子
c2 = 1.49445;
w=0.8   %惯性权重

maxgen=1000;   % 进化次s数  
sizepop=200;   %种群规模

Vmax=1;       %限制速度围
Vmin=-1;     
popmax=5;    %变量取值范围
popmin=-5;
dim=10;       %适应度函数维数

func=1;       %选择待优化的函数，1为Rastrigin,2为Schaffer,3为Griewank
Drawfunc(func);%画出待优化的函数，只画出二维情况作为可视化输出

%% 产生初始粒子和速度
for i=1:sizepop
    %随机产生一个种群
    pop(i,:)=popmax*rands(1,dim);    %初始种群
    V(i,:)=Vmax*rands(1,dim);             %初始化速度
                                     %计算适应度
    fitness(i)=fun(pop(i,:),func);   %粒子的适应度
end

%% 个体极值和群体极值
[bestfitness bestindex]=min(fitness);
gbest=pop(bestindex,:);   %全局最佳
pbest=pop;                %个体最佳
fitnesspbest=fitness;     %个体最佳适应度值
fitnessgbest=bestfitness; %全局最佳适应度值

%% 迭代寻优
for i=1:maxgen
    
    fprintf('第%d代，',i);
    fprintf('最优适应度%f\n',fitnessgbest);
    for j=1:sizepop
        
        %速度更新
        V(j,:) = w*V(j,:) + c1*rand*(pbest(j,:) - pop(j,:)) + c2*rand*(gbest - pop(j,:)); %根据个体最优pbest和群体最优gbest计算下一时刻速度
        V(j,find(V(j,:)>Vmax))=Vmax;   %限制速度不能太大
        V(j,find(V(j,:)<Vmin))=Vmin;
        
        %种群更新
        pop(j,:)=pop(j,:)+0.5*V(j,:);       %位置更新
        pop(j,find(pop(j,:)>popmax))=popmax;%坐标不能超出范围
        pop(j,find(pop(j,:)<popmin))=popmin;
        
        if rand>0.98                         %加入变异种子，用于跳出局部最优值
            pop(j,:)=rands(1,dim);
        end
        
        %更新第j个粒子的适应度值
        fitness(j)=fun(pop(j,:),func); 
   
    end
    
    for j=1:sizepop
        
        %个体最优更新
        if fitness(j) < fitnesspbest(j)
            pbest(j,:) = pop(j,:);
            fitnesspbest(j) = fitness(j);
        end
        
        %群体最优更新
        if fitness(j) < fitnessgbest
            gbest = pop(j,:);
            fitnessgbest = fitness(j);
        end
    end 
    yy(i)=fitnessgbest;    
        
end
%% 结果分析
figure;
plot(yy)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);

画出函数图像 Drawfunc.m

function Drawfunc(label)

x=-5:0.05:5;%41列的向量
if label==1
    y = x;
    [X,Y] = meshgrid(x,y);
    [row,col] = size(X);
    for  l = 1 :col
         for  h = 1 :row
            z(h,l) = Rastrigin([X(h,l),Y(h,l)]);
        end
    end
    surf(X,Y,z);
    shading interp
    xlabel('x1-axis'),ylabel('x2-axis'),zlabel('f-axis'); 
    title('mesh'); 
end

if label==2
    y = x;
    [X,Y] = meshgrid(x,y);
    [row,col] = size(X);
    for  l = 1 :col
         for  h = 1 :row
            z(h,l) = Schaffer([X(h,l),Y(h,l)]);
        end
    end
    surf(X,Y,z);
    shading interp 
    xlabel('x1-axis'),ylabel('x2-axis'),zlabel('f-axis'); 
    title('mesh'); 
end

if label==3
    y = x;
    [X,Y] = meshgrid(x,y);
    [row,col] = size(X);
    for  l = 1 :col
         for  h = 1 :row
            z(h,l) = Griewank([X(h,l),Y(h,l)]);
        end
    end
    surf(X,Y,z);
    shading interp 
    xlabel('x1-axis'),ylabel('x2-axis'),zlabel('f-axis'); 
    title('mesh'); 
end

计算粒子适应度值 fun.m

function y = fun(x,label)
%函数用于计算粒子适应度值
%x           input           输入粒子 
%y           output          粒子适应度值 
if label==1
    y=Rastrigin(x);
elseif label==2
    y=Schaffer(x);
else
    y= Griewank(x);
end

Schaffer函数 Schaffer.m

function y=Schaffer(x)

[row,col]=size(x);
if row>1
    error('输入的参数错误');
end
y1=x(1,1);
y2=x(1,2);
temp=y1^2+y2^2;
y=0.5-(sin(sqrt(temp))^2-0.5)/(1+0.001*temp)^2;
y=-y;

Griewank函数 Griewank.m

function y=Griewank(x)
%Griewan函数
%输入x,给出相应的y值,在x=(0,0,…,0)处有全局极小点0.
%编制人：
%编制日期：
[row,col]=size(x);
if row>1
    error('输入的参数错误');
end
y1=1/4000*sum(x.^2);
y2=1;
for h=1:col
    y2=y2*cos(x(h)/sqrt(h));
end
y=y1-y2+1;
%y=-y;

Rastrigin函数 Rastrigin.m

function y = Rastrigin(x)
% Rastrigin函数
% 输入x,给出相应的y值,在x = ( 0 , 0 ,…, 0 )处有全局极小点0.
% 编制人：
% 编制日期：
[row,col] = size(x);
if  row > 1 
    error( ' 输入的参数错误 ' );
end
y =sum(x.^2-10*cos(2*pi*x)+10);
%y =-y;

实验结果

Schaffer函数

Schaffer函数

Griewank函数

Griewank函数

Rastrigin函数

Rastrigin函数

加速因子、惯性权重组合测试

只令惯性权重线性变换

w=0.9；
for i=1:maxgen
w=w-0.0005;

Rastrigin函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1否/第1000代，最优适应度1.989918 Rt1
2否/第1000代，最优适应度2.984877 Rt2
3否/第1000代，最优适应度0.994959 Rt3
4否/第1000代，最优适应度3.979836 Rt4
5否/第1000代，最优适应度3.979836 Rt5
6是721第1000代，最优适应度0.000000 Rt6
7否/第1000代，最优适应度0.994962 Rt7
8否/第1000代，最优适应度0.994962 Rt8
9否/第1000代，最优适应度4.974795 Rt9
10是696第1000代，最优适应度0.000000 Rt10
Schaffer函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是78第1000代，最优适应度0.000000 St1
2是40第1000代，最优适应度0.000000 St2
3是49第1000代，最优适应度0.000000 St3
4是63第1000代，最优适应度0.000000 St4
5是62第1000代，最优适应度0.000000 St5
6是50第1000代，最优适应度0.000000 St6
7是52第1000代，最优适应度0.000000 St7
8是54第1000代，最优适应度0.000000 St8
9是58第1000代，最优适应度0.000000 St9
10是110第1000代，最优适应度0.000000 St10
Griewank函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是97第1000代，最优适应度0.000000 Gt1
2是111第1000代，最优适应度0.000000 Gt2
3是107第1000代，最优适应度0.000000 Gt3
4是103第1000代，最优适应度0.000000 Gt4
5是99第1000代，最优适应度0.000000 Gt5
6是89第1000代，最优适应度0.000000 Gt6
7是97第1000代，最优适应度0.000000 Gt7
8是104第1000代，最优适应度0.000000 Gt8
9是112第1000代，最优适应度0.000000 Gt9
10是106第1000代，最优适应度0.000000 Gt10

只令加速系数线性变化

c1 = 1;
c2 = 1;
for i=1:maxgen
c1=0.0002+c1;
c2=0.0002+c2;

Rastrigin函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是838第1000代，最优适应度0.000000 Rt1
2否/第1000代，最优适应度2.984877 Rt2
3否/第1000代，最优适应度0.994990 Rt3
4否/第1000代，最优适应度0.994959 Rt4
5否/第1000代，最优适应度0.000003 Rt5
6否/第1000代，最优适应度0.994959 Rt6
7否/第1000代，最优适应度1.989919 Rt7
8是892第1000代，最优适应度0.000000 Rt8
9否/第1000代，最优适应度0.001016 Rt9
10是732第1000代，最优适应度0.000000 Rt10
Schaffer函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是24第1000代，最优适应度0.000000 St1
2是36第1000代，最优适应度0.000000 St2
3是48第1000代，最优适应度0.000000 St3
4是45第1000代，最优适应度0.000000 St4
5是32第1000代，最优适应度0.000000 St5
6是49第1000代，最优适应度0.000000 St6
7是34第1000代，最优适应度0.000000 St7
8是49第1000代，最优适应度0.000000 St8
9是31第1000代，最优适应度0.000000 St9
10是36第1000代，最优适应度0.000000 St10
Griewank函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是70第1000代，最优适应度0.000000 Gt1
2是55第1000代，最优适应度0.000000 Gt2
3是69第1000代，最优适应度0.000000 Gt3
4是71第1000代，最优适应度0.000000 Gt4
5是68第1000代，最优适应度0.000000 Gt5
6是65第1000代，最优适应度0.000000 Gt6
7是63第1000代，最优适应度0.000000 Gt7
8是64第1000代，最优适应度0.000000 Gt8
9是67第1000代，最优适应度0.000000 Gt9
10是60第1000代，最优适应度0.000000 Gt10

令惯性系数与加速因子同时线性变换

w=0.9;
c1=1;
c2=1;
for i=1:maxgen
w=w-0.0005;
c1=c1+0.0002;
c2=c2+0.0002;

Rastrigin函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1否/第1000代，最优适应度0.012012 Rt1
2否/第1000代，最优适应度1.995306 Rt2
3是563第1000代，最优适应度0.000000 Rt3
4否/第1000代，最优适应度0.497554 Rt4
5是850第1000代，最优适应度0.000000 Rt5
6否/第1000代，最优适应度1.989922 Rt6
7否/第1000代，最优适应度0.994959 Rt7
8否/第1000代，最优适应度0.089689 Rt8
9否/第1000代，最优适应度0.000028 Rt9
10否/第1000代，最优适应度0.995992 Rt10
Schaffer函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是35第1000代，最优适应度0.000000 St1
2是36第1000代，最优适应度0.000000 St2
3是74第1000代，最优适应度0.000000 St3
4是41第1000代，最优适应度0.000000 St4
5是52第1000代，最优适应度0.000000 St5
6是52第1000代，最优适应度0.000000 St6
7是45第1000代，最优适应度0.000000 St7
8是52第1000代，最优适应度0.000000 St8
9是38第1000代，最优适应度0.000000 St9
10是21第1000代，最优适应度0.000000 St10
Griewank函数
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是95第1000代，最优适应度0.000000 Gt1
2是95第1000代，最优适应度0.000000 Gt2
3是74第1000代，最优适应度0.000000 Gt3
4是114第1000代，最优适应度0.000000 Gt4
5是85第1000代，最优适应度0.000000 Gt5
6是103第1000代，最优适应度0.000000 Gt6
7是107第1000代，最优适应度0.000000 Gt7
8是93第1000代，最优适应度0.000000 Gt8
9是107第1000代，最优适应度0.000000 Gt9
10是101第1000代，最优适应度0.000000 Gt10

种群规模、适应度函数维数组合测试

只改变种群规模

Rastrigin函数（种群规模=200）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1否/第1000代，最优适应度2.985044 Rt1
2否/第1000代，最优适应度5.969754 Rt2
3否/第1000代，最优适应度0.994959 在这里插入图片描述
4否/第1000代，最优适应度0.002777 在这里插入图片描述
5否/第1000代，最优适应度9.949586 在这里插入图片描述
6否/第1000代，最优适应度4.974795 在这里插入图片描述
7是502第1000代，最优适应度0.000000 在这里插入图片描述
8是115第1000代，最优适应度0.000000 在这里插入图片描述
9否/第1000代，最优适应度0.000089 在这里插入图片描述
10否/第1000代，最优适应度0.994959 在这里插入图片描述
Rastrigin函数（种群规模=500）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1否/第1000代，最优适应度4.974795 在这里插入图片描述
2否/第1000代，最优适应度2.984877 在这里插入图片描述
3否/第1000代，最优适应度1.000565 在这里插入图片描述
4否/第1000代，最优适应度3.979836 在这里插入图片描述
5否/第1000代，最优适应度4.974795 在这里插入图片描述
6否/第1000代，最优适应度0.994959 在这里插入图片描述
7否/第1000代，最优适应度0.000001 在这里插入图片描述
8否/第1000代，最优适应度1.989918 在这里插入图片描述
9是928第1000代，最优适应度0.000000 在这里插入图片描述
10否/第1000代，最优适应度1.074264 在这里插入图片描述
Schaffer函数（种群数量=200）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是28第1000代，最优适应度0.000000 在这里插入图片描述
2是33第1000代，最优适应度0.000000 在这里插入图片描述
3是42第1000代，最优适应度0.000000 在这里插入图片描述
4是36第1000代，最优适应度0.000000 在这里插入图片描述
5是33第1000代，最优适应度0.000000 在这里插入图片描述
6是33第1000代，最优适应度0.000000 在这里插入图片描述
7是31第1000代，最优适应度0.000000 加粗样式
8是43第1000代，最优适应度0.000000 在这里插入图片描述
9是40第1000代，最优适应度0.000000 在这里插入图片描述
10是32第1000代，最优适应度0.000000 在这里插入图片描述
Schaffer函数（种群规模=500）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是18第1000代，最优适应度0.000000 在这里插入图片描述
2是26第1000代，最优适应度0.000000 在这里插入图片描述
3是17第1000代，最优适应度0.000000 在这里插入图片描述
4是24第1000代，最优适应度0.000000 在这里插入图片描述
5是24第1000代，最优适应度0.000000 在这里插入图片描述
6是38第1000代，最优适应度0.000000 在这里插入图片描述
7是19第1000代，最优适应度0.000000 在这里插入图片描述
8是18第1000代，最优适应度0.000000 在这里插入图片描述
9是15第1000代，最优适应度0.000000 在这里插入图片描述
10是30第1000代，最优适应度0.000000 在这里插入图片描述
Griewank函数（种群规模=200）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是63第1000代，最优适应度0.000000 在这里插入图片描述
2是66第1000代，最优适应度0.000000 在这里插入图片描述
3是58第1000代，最优适应度0.000000 在这里插入图片描述
4是63第1000代，最优适应度0.000000 在这里插入图片描述
5是70第1000代，最优适应度0.000000 在这里插入图片描述
6是74第1000代，最优适应度0.000000 在这里插入图片描述
7是60第1000代，最优适应度0.000000 在这里插入图片描述
8是62第1000代，最优适应度0.000000 在这里插入图片描述
9是63第1000代，最优适应度0.000000 在这里插入图片描述
10是74第1000代，最优适应度0.000000 在这里插入图片描述
Griewank函数（种群规模=500）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是43第1000代，最优适应度0.000000 在这里插入图片描述
2是56第1000代，最优适应度0.000000 在这里插入图片描述
3是53第1000代，最优适应度0.000000 在这里插入图片描述
4是47第1000代，最优适应度0.000000 在这里插入图片描述
5是51第1000代，最优适应度0.000000 在这里插入图片描述
6是51第1000代，最优适应度0.000000 在这里插入图片描述
7是53第1000代，最优适应度0.000000 在这里插入图片描述
8是46第1000代，最优适应度0.000000 在这里插入图片描述
9是49第1000代，最优适应度0.000000 在这里插入图片描述
10是60第1000代，最优适应度0.000000 在这里插入图片描述

只改变维度

Rastrigin函数（维度为10）

Rastrigin函数（种群规模=200）

测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1否/第1000代，最优适应度2.985044 Rt1
2否/第1000代，最优适应度5.969754 Rt2
3否/第1000代，最优适应度0.994959 在这里插入图片描述
4否/第1000代，最优适应度0.002777 在这里插入图片描述
5否/第1000代，最优适应度9.949586 在这里插入图片描述
6否/第1000代，最优适应度4.974795 在这里插入图片描述
7是502第1000代，最优适应度0.000000 在这里插入图片描述
8是115第1000代，最优适应度0.000000 在这里插入图片描述
9否/第1000代，最优适应度0.000089 在这里插入图片描述
10否/第1000代，最优适应度0.994959 在这里插入图片描述
Rastrigin函数（维度为5）
测试序号迭代完成是否达到最优适应度获得最优适应度的迭代次数最终适应度及曲线
1是308第1000代，最优适应度0.000000 在这里插入图片描述
2是424第1000代，最优适应度0.000000 在这里插入图片描述
3是395第1000代，最优适应度0.000000 在这里插入图片描述
4是186第1000代，最优适应度0.000000 在这里插入图片描述
5是316第1000代，最优适应度0.000000 在这里插入图片描述
6是342第1000代，最优适应度0.000000 在这里插入图片描述
7是429第1000代，最优适应度0.000000 在这里插入图片描述
8是715第1000代，最优适应度0.000000 在这里插入图片描述
9是318第1000代，最优适应度0.000000 在这里插入图片描述
10是487第1000代，最优适应度0.000000 在这里插入图片描述
Schaffer函数（维度为10）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是28第1000代，最优适应度0.000000 在这里插入图片描述
2是33第1000代，最优适应度0.000000 在这里插入图片描述
3是42第1000代，最优适应度0.000000 在这里插入图片描述
4是36第1000代，最优适应度0.000000 在这里插入图片描述
5是33第1000代，最优适应度0.000000 在这里插入图片描述
6是33第1000代，最优适应度0.000000 在这里插入图片描述
7是31第1000代，最优适应度0.000000 加粗样式
8是43第1000代，最优适应度0.000000 在这里插入图片描述
9是40第1000代，最优适应度0.000000 在这里插入图片描述
10是32第1000代，最优适应度0.000000 在这里插入图片描述
Schaffer函数（维度为5）
测试序号迭代完成是否达到最优适应度获得最优适应度的迭代次数最终适应度及曲线
1是39第1000代，最优适应度0.000000在这里插入图片描述
2是32第1000代，最优适应度0.000000在这里插入图片描述
3是40第1000代，最优适应度0.000000 在这里插入图片描述
4是41第1000代，最优适应度0.000000在这里插入图片描述
5是36第1000代，最优适应度0.000000 在这里插入图片描述
6是14第1000代，最优适应度0.000000在这里插入图片描述
7是17第1000代，最优适应度0.000000在这里插入图片描述
8是19第1000代，最优适应度0.000000在这里插入图片描述
9是32第1000代，最优适应度0.000000 在这里插入图片描述
10是41第1000代，最优适应度0.000000 在这里插入图片描述
Griewank函数（维度为10）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是63第1000代，最优适应度0.000000 在这里插入图片描述
2是66第1000代，最优适应度0.000000 在这里插入图片描述
3是58第1000代，最优适应度0.000000 在这里插入图片描述
4是63第1000代，最优适应度0.000000 在这里插入图片描述
5是70第1000代，最优适应度0.000000 在这里插入图片描述
6是74第1000代，最优适应度0.000000 在这里插入图片描述
7是60第1000代，最优适应度0.000000 在这里插入图片描述
8是62第1000代，最优适应度0.000000 在这里插入图片描述
9是63第1000代，最优适应度0.000000 在这里插入图片描述
10是74第1000代，最优适应度0.000000 在这里插入图片描述
Griewank函数（维度为5）
测试序号迭代完成是否达到最优适应度达到最优适应度的迭代次数最终适应度及曲线
1是32第1000代，最优适应度0.000000 在这里插入图片描述
2是34第1000代，最优适应度0.000000在这里插入图片描述
3是49第1000代，最优适应度0.000000在这里插入图片描述
4是44第1000代，最优适应度0.000000在这里插入图片描述
5是44第1000代，最优适应度0.000000在这里插入图片描述
6是39第1000代，最优适应度0.000000在这里插入图片描述
7是35第1000代，最优适应度0.000000在这里插入图片描述
8是36第1000代，最优适应度0.000000在这里插入图片描述
9是39第1000代，最优适应度0.000000 在这里插入图片描述
10是45第1000代，最优适应度0.000000在这里插入图片描述

结果分析

默认参数配置

Rastrigin函数

达到最优适应度的平均迭代次数：（502+115）/2=309

Schaffer函数

达到最优适应度的平均迭代次数：（28+33+42+36+33+33+31+43+40+32）/10=35

Griewank函数

达到最优适应度的平均迭代次数：（63+66+58+63+70+74+60+62+63+74）/10=65

测试结果及分析

Rastrigin函数

只令惯性权重变化

达到最优适应度的平均迭代次数：（721+696）/2=709

只令加速因子变化

达到最优适应度的平均迭代次数：（838+892+732）/3=821

惯性权重和加速因子同时变化

达到最优适应度的平均迭代次数：（563+850）/2=707

只改变种群规模

达到最优适应度的平均迭代次数：928

只改变维度

达到最优适应度的平均迭代次数：（308+424+395+186+316+342+429+715+318+487）/10=392

结论

对于Rastrigin函数，每一次迭代结束都达到最优适应度的情况很少。由于本次实验采取控制变量法，从实验结果来看，在维度比较大（维度为10）的情况下，无论是只令惯性权重改变，还是只令加速因子变化，还是两者组合变化，还是只改变种群规模，在每种情况10次测试的情况下，几乎都只有1-3次的迭代结束能达到最优适应度。其中，如果只改变种群规模（从原来的200增加到500），10次测试中只能有一次达到最优适应度，且进化代数相比较默认种群规模的情况下高，说明增加种群规模可能导致算法搜索能力下降。只令惯性权重随着迭代次数而变化比只令加速因子随着迭代次数而变化的达到最优适应度的平均迭代次数更少，但是令惯性权重和加速因子一起随着迭代次数而变化的达到最优适应度的平均迭代次数比上两者更少，即使令他们改变都比默认参数配置的平均迭代次数更多。在只改变维度的情况下（维度从10下降到5），每一次都可以达到最优适应度，可知若维度下降搜索能力可以得到一定提升。

Schaffer函数

只令惯性权重变化

达到最优适应度的平均迭代次数：（78+40+49+63+62+50+52+54+58+110）/10=62

只令加速因子变化

达到最优适应度的平均迭代次数：（24+36+48+45+32+49+34+49+31+36）/10=35

惯性权重和加速因子同时变化

达到最优适应度的平均迭代次数：（35+36+74+41+52+52+45+52+38+21）/10=45

只改变种群规模

达到最优适应度的平均迭代次数：（18+26+17+24+24+38+19+18+15+30）/10=23

只改变维度

达到最优适应度的平均迭代次数：（39+32+40+41+36+14+17+19+32+41）/10=31

结论

对于Schaffer函数，可以看出每一次迭代结束都能达到最优适应度。若只令惯性权重随着迭代次数而变化（减少），其达到最优适应度的平均迭代次数相比默认配置的多了比较多，可以看出对于Schaffer函数，较小的惯性权重可能降低 算法的搜索能力。只令加速因子随着迭代次数而变化得出的结果与默认配置差不多，若两个同时改变，搜索能力会略微降低。改变种群规模（从200增大到500）也会让达到最优适应度的平均迭代次数减少，说明算法在Schaffer函数下对于较大的种群规模有更好的搜索能力。

Griewank函数

只令惯性权重变化

达到最优适应度的平均迭代次数：（97+111+107+103+99+89+97+104+112+106）/10=103

只令加速因子变化

达到最优适应度的平均迭代次数：（70+55+69+71+68+65+63+64+67+60）/10=65

惯性权重和加速因子同时变化

达到最优适应度的平均迭代次数：（95+95+74+114+85+103+107+93+107+101）/10=98

只改变种群规模

达到最优适应度的平均迭代次数：（43+56+53+47+51+51+53+46+49+60）/10=51

只改变维度

达到最优适应度的平均迭代次数：（32+34+49+44+44+39+35+36+39+45）/10=40

结论

对于Griewank函数，可以看出每一次迭代结束都能达到最优适应度。如果只改变种群规模（从原来的200增加到500），进化代数相比较默认种群规模的情况下少，说明增加种群规模可能导致算法搜索能力提升。只令惯性权重随着迭代次数而变化和令惯性权重和加速因子一起随着迭代次数而变化比只令加速因子随着迭代次数而变化的达到最优适应度的平均迭代次数更多，即使令他们改变都比默认参数配置的平均迭代次数更多，因此对于Griewank函数应该事先确定一个最优的惯性权重和加速因子。若只改变种群规模（从200增加到500），平均迭代次数比默认配置低了很多，说明对于Griewank函数适当增加种群规模能提高算法搜索能力。只改变维度（从10下降到5）也能让算法搜索能力提高，其平均迭代次数相比默认也有所减少。

实验总结

粒子群算法的优点

PSO算法具有记忆性，粒子群体的历史最好位置可以记忆并传递给其它粒子;
需调整的参数较少，结构简单，易于工程实现;
采用实数编码，直接由问题的解决定，问题解的变量数直接作为粒子的维数。

粒子群算法的缺点

缺乏速度的动态调节，容易陷入局部最优，导致收敛精度低和不易收敛;
不能有效解决离散及组合优化问题;
不能有效求解一些非直角坐标系描述问题，如有关能量场或场内粒子运动规律的求解问题(这些求解空间的边界大部分是基于极坐标、球坐标或柱坐标的);
参数控制，对于不同的问题，如何选择合适的参数来达到最优效果。

粒子群算法的应用范围

粒子群优化算法已提出就受到了广泛的关注，各种粒子群算法应用研究的成果不断涌现，它的应用领域已从最初的函数优化和神经网络的训练扩展到更加开阔的领域，有力地促进了粒子群优化算法的研究。

w_thout
关注
人工智能9—粒子群优化算法实验
wwy的博客
12-03 2727
目录 一、粒子群优化算法简介 二、算法流程 三、参数设置比较 1.改变C1参数 2.改变C2参数 3.改变w的范围 4.改变sizepop参数 5.改变dim参数 四、POS的优点 五、核心代码 一、粒子群优化算法简介 粒子群优化算法是一种全局搜索算法，作为进化计算的一个分支，同时它也是一种模拟自然界的生物活动以及群体智能的随机搜索算法。因此粒子群优化算法一方面吸取了...
粒子群算法的寻优算法——非线性函数极值寻优 实验体会
qq_43241436的博客
12-03 1792
通过老师对算法代码的简单介绍，我对于粒子寻优算法结构有了一个大致的了解 首先根据老师说的原则，c1从小变到大，c2从大变到小，权重w先从大的开始，惯性大的冲得快，后期再往小改。 初始值： 首先更改了c2的值： 在第二次迭代时发现了变异种子的作用： 解决过早收敛，跳出局部最优，得以再次迭代得出最优解，不过显然，未能完全达到预期理想结果。 在c2保持住1.59445的情况下，c1降为1.1944...
[MATLAB] 经典智能算法1：粒子群优化算法PSO
Effend的博客
05-26 4094
经典智能算法文章集： 粒子群优化算法PSO： 一、粒子群优化算法（PSO）概要： 粒子群优化算法（Particle Swarm Optimization），是一种经典的智能算法，也是较为基础的算法。粒子群的含义为多个随机量组成的群体，通过对这些群体的挑选，最终选出最为接近解的一个随机量来作为结果。其本质并不复杂，仅仅是用随机生成的数去参与计算，多个随机数的计算结果相互比较，选出能产生最优解的那...
智能优化及其应用——课程实验（粒子群算法）
yao617774的博客
01-18 1954
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、粒子群算法原理二、使用步骤1.引入库2.读入数据总结 前言 这学期的智能优化课程主要介绍了人工智能领域内的一些优化算法，课程实验要求编程实现任意一种算法解决优化问题。个人对粒子群算法比较感兴趣，主要查阅了《智能优化算法及其MATLAB实例（第3版）》（作者：包子阳,余继周,杨杉）一书，学习了粒子群算法这一章，并且参考书上的matlab实例，采用python进行编程实现。 以下内容主要是本人对课程实验的记录，如果有错
智能优化算法——粒子群算法小实践
qq_40587547的博客
07-15 2308
实验六 粒子群算法 一、实验目的与要求： 目的：通过本次实验，学生可以掌握粒子群算法基本原理、基本粒子群算法流程和关键参数的设置。 要求：上机仿真，调试通过。 二、 实验设备： 计算机、Matlab软件、Python、VC++或C语言软件 三、实验内容： 1.求函数的最小值，其中x的取值范围为[-4,4]，这是一个有多个局部极值的函数。 2.用离散粒子群算法求函数的最小值，其中x的取值范围为[0...
基于模拟退火——粒子群优化算法改进的区间型Campbell-Bennett异常检测模型.pdf
09-28
本文的贡献在于提出了一个基于模拟退火——粒子群优化算法的改进的 Campbell-Bennett 异常检测模型，该模型可以高效地处理区间值数据，解决了传统 Campbell-Bennett 模型的计算复杂度高的问题。 关键词：异常检测、...
计算智能-智能信息处理-实验四基于粒子群优化算法的函数优化问题求解
01-21
【计算智能】与【智能信息处理】领域常常涉及到各种优化算法，其中【粒子群优化算法】（Particle Swarm Optimization, PSO）是一种广泛应用的全局优化方法。本实验——【实验四：基于粒子群优化算法的函数优化问题...
计算智能——基于粒子群算法的函数优化问题（课堂实验）
weixin_43822880的博客
12-03 4184
基于粒子群算法的函数优化问题一.算法简介1.1思想来源1.2基本原理二.基本流程三.涉及参数四.代码验证4.1 Griewank函数4.1.1加速系数与惯性因子的探讨4.1.2种群数量和空间维度的探讨4.2 Rastrigin函数4.2.1加速系数与惯性因子的探讨4.2.2种群数量和空间维度4.3 Schaffer函数4.3.1加速系数与惯性因子的探讨4.3.2种群数量和空间维度五.与基于遗传算法...
人工智能技术的教学讨论——以粒子群算法为例.pdf
06-28
人工智能技术的教学讨论涉及到的粒子群算法是一种模拟自然界鸟群觅食行为的全局优化技术，它由Kennedy和Eberhart于1995年提出。该算法通过一系列参数和计算流程，指导粒子在搜索空间内通过迭代寻找最优解。粒子群...
计算智能——粒子群算法的寻优算法
XYYHHH11的博客
12-03 3340
粒子群算法的寻优算法 1、简介 粒子群优化(PSO, particle swarm optimization)算法是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法，该算法最早由Kennedy和Eberhart在1995年提出的，该算法源自对鸟类捕食问题的研究。 PSO算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表...
粒子群算法学习总结
AdvancedJJJ的博客
11-03 611
公式的第一部分称为【记忆项】，表示上次速度大小和方向的影响；公式的第二部分称为【自身认知项】，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的部分；公式的第三部分称为【群体认知项】，是一个从当前点指向种群最好点的矢量，反映了粒子间的协同合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动式。 vi = w*vi + c1 * rand *(pbesti - xi) + c2 * rand * (gbesti - xi); xi = xi + vi rand:
Machine Learning学习笔记（七）粒子群优化算法
Tatiana's SA
08-26 7130
粒子群优化算法( PARTICAL SWARMS OPTIMIZATION) 粒子群优化，是除了蚁群算法，鱼群算法之外的一种群体智能的优化算法，源自对鸟类捕食问题的研究。 鸟类捕食问题 假设区域里就只有一块食物（即通常优化问题中所讲的最优解），鸟群的任务是找到这个食物源。鸟群在整个搜寻的过程中，通过相互传递各自的信息，让其他的鸟知道自己的位置，通过这样的协作，来判断自己找到的是不是最优解，同...
R语言粒子群优化算法
最新发布
qq_45196888的博客
04-22 337
R—粒子群优化算法
《智能优化算法》实验报告：基于Matlab或Python的粒子群算法实现
Koonan-Edogawa的博客
02-25 2003
从粒子群算法来看，其更像是一种“特殊”的枚举算法，其通过独特的方式优化枚举过程，当种群数量和迭代次数很大时，结果越接近最优值。在本题中，迭代次数和种群数量不是很大时，最终结果并不是总能达到最大值，同时题目中只有10个物品，在不排除超重的情况取法有1024种，但整个种群总共有2500个样本，但仍然可能未取得极值，可见粒子群算法的局限性。
PSO-粒子群算法（1）--分析
ypk138的博客
01-02 793
粒子群算法初识
R语言实现具体的粒子群优化算法
qq_40886952的博客
05-29 1004
data=read.csv("Audata.csv",header = F)#读取电脑中的数据 Audata=as.matrix(data)#转化为矩阵 #特征提取 tez=function(n,h,x){#n为原子个数 data20=matrix(NA,nrow = 0,ncol =32)#定义一个矩阵存放特征值1000*32 for (k in 1:h) {#h=30行，30个粒子 p=matrix(x[k,],nrow = n,ncol = 3,byrow = TRUE)#32*3...
算法理解-粒子群算法（一个计算例子）
热门推荐
炫炫有牛腩 的博客
03-15 5万+
沿用上一篇中遗传算法的求解例子，其中代码参考游皓麟的R语言预测实战（这是一本好书）： 遗传算法：http://blog.csdn.net/qq_27755195/article/details/56597467求解函数通过下面函数的求解，对粒子群算法进行学习： f(x)=x∗sin(10∗π∗x)+2x∈[−1,2]f(x) = x*sin(10*\pi*x)+2 \\ x \in[-1, 2]
粒子群（PSO）优化算法验证及实现
WeskerXR的博客
12-03 5754
粒子群优化算法验证及实现 算法背景简介 粒子群优化算法（Partical Swarm Optimization PSO） 粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。 由于PSO操作简单、收敛速度快，因此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用。 随着应用范围的扩大，PSO算法存在早熟收敛、维数灾难、易于陷入局部极值...
粒子群优化算法
qq_41784565的博客
12-03 5978
粒子群优化算法一、算法介绍1.1 问题提出1.2 问题抽象1.3 算法描述1.4 算法流程二、代码分析2.1 Schaffer()函数2.1 Griewank()函数2.3 Rastrigin()函数2.4 Drawfunc(label)函数2.5 fun()函数2.6 主程序PSO.m三、参数测试3.1 加速因子c1、c2，惯性权重w3.2 适应度函数维数dim，种群规模sizepop 一、算法...
评论
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