C语言实现粒子群算法(PSO)一
最近在温习C语言,看的书是《C primer Plus》,忽然想起来以前在参加数学建模的时候,用过的一些智能算法,比如遗传算法、粒子群算法、蚁群算法等等。当时是使用MATLAB来实现的,而且有些MATLAB自带了工具箱,当时有些只是利用工具箱求最优解问题,没有自己动手亲自去实现一遍,现在都忘的差不多了。我觉得那样层次实在是很浅,没有真正理解算法的核心思想。本着“纸上得来终觉浅,绝知此事要躬行”的态度,我决定现在重新复习一遍算法,然后手工用C语言重新实现一遍。说做就做,我第一个实现的算法是相对来说比较简单的粒子群算法(与遗传算法等相比,至少我自己觉得实现要简单一些)。
首先简单介绍一下启发式算法和智能算法。粒子群算法、遗传算法等都是从传统的搜索算法演变而来的启发式算法。启发式算法(heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义:一个基于直观或经验构造的算法,在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解,该可行解与最优解的偏离程度一般不能被预计,但是通常情况下启发式算法可以给出接近最优解的不错的解,但是无法保证每次它都可以得到很好的近似解。启发式算法中有一类被称之为智能算法,所谓"智能"二字,指的是这种算法是通过模仿大自然中的某种生物或者模拟某种现象而抽象得到的算法,比如遗传算法就是模拟自然界生物自然选择,优胜劣汰,适者生存而得到的进化算法,粒子群是源于对于鸟类捕食行为的研究,而模拟退火算法则是根据物理学中固体物质的退火过程抽象得到的优化算法。智能算法兴起于上个世纪80年代左右,之后就一直发展迅速,除了传统的智能算法之外,近几年又涌现出了一些新的算法比如鱼群算法、蜂群算法等。
言归正传,下面来介绍今天的主角:粒子群算法。粒子群算法的基本原理如下(参考《MATLAB智能算法30个案例分析》):
假设在一个D维的搜索空间中,由n个粒子组成的种群X=(X1,X2,..,Xn),其中第i个粒子表示为一个D维的向量Xi=(xi1,xi2,xiD),代表第i个粒子在D维搜索空间中的位置,亦代表问题的一个潜在解。根据目标函数即可以计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度为Vi = (Vi1,Vi2,...,ViD),其个体极值为Pi=(Pi1,Pi2,...,PiD),种群的群体极值为Pg=(Pg1,Pg2,...,PgD)。在每次迭代的过程中,粒子通过个体极值和群体极值更新自身的速度和位置,即:
Vid(k+1)=w*Vid(k)+c1*r1*(Pid(k)-Xid(k))+c2*r2*(Pgd(k)-Xid(k))
Xid(k+1) = Xid(k) + Vid(k+1)
其中w为惯性权重,如果不考虑可以默认为1,后面还会再详细讨论w对于PSO的影响。d=1,2,..,D;i=1,2,...,n;k为当前迭代次数;Vid为粒子的速度;c1和c2是非负的常数,称为加速度因子;r1和r2是分布于[0,1]之间的随机数。为了防止粒子的盲目搜索,一般建议将其位置和速度限制在一定的区间内。
下面是我用C语言实现的求一个二元函数最大值的粒子群算法:
1 /*2 * 使用C语言实现粒子群算法(PSO)3 * 参考自《MATLAB智能算法30个案例分析》4 * update: 16/12/35 * 本例的寻优非线性函数为6 * f(x,y) = sin(sqrt(x^2+y^2))/(sqrt(x^2+y^2)) + exp((cos(2*PI*x)+cos(2*PI*y))/2) - 2.712897 * 该函数有很多局部极大值点,而极限位置为(0,0),在(0,0)附近取得极大值8 */9 #include<stdio.h>10 #include<stdlib.h>11 #include<math.h>12 #include<time.h>13 #define c1 1.49445 //加速度因子一般是根据大量实验所得14 #define c2 1.4944515 #define maxgen 300 // 迭代次数16 #define sizepop 20 // 种群规模17 #define popmax 2 // 个体最大取值18 #define popmin -2 // 个体最小取值19 #define Vmax 0.5 // 速度最大值20 #define Vmin -0.5 //速度最小值21 #define dim 2 // 粒子的维数22 #define PI 3.1415926 //圆周率23 24 double pop[sizepop][dim]; // 定义种群数组25 double V[sizepop][dim]; // 定义种群速度数组26 double fitness[sizepop]; // 定义种群的适应度数组27 double result[maxgen]; //定义存放每次迭代种群最优值的数组28 double pbest[sizepop][dim]; // 个体极值的位置29 double gbest[dim]; //群体极值的位置30 double fitnesspbest[sizepop]; //个体极值适应度的值31 double fitnessgbest; // 群体极值适应度值32 double genbest[maxgen][dim]; //每一代最优值取值粒子33 34 //适应度函数35 double func(double * arr)36 {37 double x = *arr; //x 的值38 double y = *(arr+1); //y的值39 double fitness = sin(sqrt(x*x+y*y))/(sqrt(x*x+y*y)) + exp((cos(2*PI*x)+cos(2*PI*y))/2) - 2.71289;40 return fitness;41 42 } 43 // 种群初始化44 void pop_init(void)45 {46 for(int i=0;i<sizepop;i++)47 {48 for(int j=0;j<dim;j++)49 {50 pop[i][j] = (((double)rand())/RAND_MAX-0.5)*4; //-2到2之间的随机数51 V[i][j] = ((double)rand())/RAND_MAX-0.5; //-0.5到0.5之间52 }53 fitness[i] = func(pop[i]); //计算适应度函数值54 }55 }56 // max()函数定义57 double * max(double * fit,int size)58 {59 int index = 0; // 初始化序号60 double max = *fit; // 初始化最大值为数组第一个元素61 static double best_fit_index[2];62 for(int i=1;i<size;i++)63 {64 if(*(fit+i) > max)65 max = *(fit+i);66 index = i;67 }68 best_fit_index[0] = index;69 best_fit_index[1] = max;70 return best_fit_index;71 72 }73 // 迭代寻优74 void PSO_func(void)75 {76 pop_init();77 double * best_fit_index; // 用于存放群体极值和其位置(序号)78 best_fit_index = max(fitness,sizepop); //求群体极值79 int index = (int)(*best_fit_index);80 // 群体极值位置81 for(int i=0;i<dim;i++)82 {83 gbest[i] = pop[index][i];84 }85 // 个体极值位置86 for(int i=0;i<sizepop;i++)87 {88 for(int j=0;j<dim;j++)89 {90 pbest[i][j] = pop[i][j];91 }92 }93 // 个体极值适应度值94 for(int i=0;i<sizepop;i++)95 {96 fitnesspbest[i] = fitness[i];97 }98 //群体极值适应度值99 double bestfitness = *(best_fit_index+1); 100 fitnessgbest = bestfitness; 101 102 //迭代寻优 103 for(int i=0;i<maxgen;i++) 104 { 105 for(int j=0;j<sizepop;j++) 106 { 107 //速度更新及粒子更新 108 for(int k=0;k<dim;k++) 109 { 110 // 速度更新 111 double rand1 = (double)rand()/RAND_MAX; //0到1之间的随机数 112 double rand2 = (double)rand()/RAND_MAX; 113 V[j][k] = V[j][k] + c1*rand1*(pbest[j][k]-pop[j][k]) + c2*rand2*(gbest[k]-pop[j][k]); 114 if(V[j][k] > Vmax) 115 V[j][k] = Vmax; 116 if(V[j][k] < Vmin) 117 V[j][k] = Vmin; 118 // 粒子更新 119 pop[j][k] = pop[j][k] + V[j][k]; 120 if(pop[j][k] > popmax) 121 pop[j][k] = popmax; 122 if(pop[j][k] < popmin) 123 pop[j][k] = popmin; 124 } 125 fitness[j] = func(pop[j]); //新粒子的适应度值 126 } 127 for(int j=0;j<sizepop;j++) 128 { 129 // 个体极值更新 130 if(fitness[j] > fitnesspbest[j]) 131 { 132 for(int k=0;k<dim;k++) 133 { 134 pbest[j][k] = pop[j][k]; 135 } 136 fitnesspbest[j] = fitness[j]; 137 } 138 // 群体极值更新 139 if(fitness[j] > fitnessgbest) 140 { 141 for(int k=0;k<dim;k++) 142 gbest[k] = pop[j][k]; 143 fitnessgbest = fitness[j]; 144 } 145 } 146 for(int k=0;k<dim;k++) 147 { 148 genbest[i][k] = gbest[k]; // 每一代最优值取值粒子位置记录 149 } 150 result[i] = fitnessgbest; // 每代的最优值记录到数组 151 } 152 } 153 154 // 主函数 155 int main(void) 156 { 157 clock_t start,finish; //程序开始和结束时间 158 start = clock(); //开始计时 159 srand((unsigned)time(NULL)); // 初始化随机数种子 160 PSO_func(); 161 double * best_arr; 162 best_arr = max(result,maxgen); 163 int best_gen_number = *best_arr; // 最优值所处的代数 164 double best = *(best_arr+1); //最优值 165 printf("迭代了%d次,在第%d次取到最优值,最优值为:%lf.\n",maxgen,best_gen_number+1,best); 166 printf("取到最优值的位置为(%lf,%lf).\n",genbest[best_gen_number][0],genbest[best_gen_number][1]); 167 finish = clock(); //结束时间 168 double duration = (double)(finish - start)/CLOCKS_PER_SEC; // 程序运行时间 169 printf("程序运行耗时:%lf\n",duration); 170 return 0; 171 }
我运行C采用的是Ubuntu16 下的gcc编译器,运行结果截图如下:
多次运行结果差不多,基本每次都可以很接近最优解。而且发现C语言运行时间要远快于MATLAB实现(我记得MATLAB要用好几秒,这里就不贴MATLAB代码进行运行时间对比了),只需要耗时0.004秒左右。这里只讨论了基本的粒子群算法,后面一篇我还会对于粒子群的参数w进行详细的讨论,讨论不同的w参数的取法对于粒子群寻优能力的影响。
转载于:https://www.cnblogs.com/yezuhui/p/6853266.html
C语言实现粒子群算法(PSO)一相关推荐
- 粒子群算法(PSO)Matlab实现(两种解法)
粒子群算法(PSO) 用途:可以用于寻求最优解问题 生物机理:鸟群寻找湖泊 在函数中,有很多是无法求出最优解的 在这时,我们会采用软计算方法,而PSO算法,在软计算算法中有重要的地位: 好吧,这个仁者 ...
- 粒子群优化算法和python代码_Python编程实现粒子群算法(PSO)详解
1 原理 粒子群算法是群智能一种,是基于对鸟群觅食行为的研究和模拟而来的.假设在鸟群觅食范围,只在一个地方有食物,所有鸟儿看不到食物(不知道食物的具体位置),但是能闻到食物的味道(能知道食物距离自己位 ...
- 【老生谈算法】标准粒子群算法(PSO)及其Matlab程序和常见改进算法——粒子群算法
1.算法详解: 1.原文下载: 本算法原文如下,有需要的朋友可以点击进行下载 序号 原文(点击下载) 本项目原文 [老生谈算法]标准粒子群算法(PSO)及其Matlab程序和常见改进算法.docx 2 ...
- 粒子群算法(PSO)以及Matlab实现
粒子群算法(PSO)以及Matlab实现 算法背景 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 ...
- 粒子群算法(PSO)的C++实现
粒子群算法(PSO)的C++实现 粒子群算法(PSO----Particle Swarm Optimization)是常用的智能算法之一,它模拟了 鸟群觅食 行为,是一种具有随机性的 仿生算法 .PS ...
- 粒子群算法(PSO)初识
粒子群算法PSO是模拟群体智能所建立起来的一种优化算法,用于解决各种优化问题. 抽象问题实例化: 假设一群 鸟在觅食,只有一个地方有 食物,所有鸟儿都看不见食物(不知道食物的具体位置,知道了就不无需觅 ...
- Python编程实现粒子群算法(PSO)详解
1 原理 粒子群算法是群智能一种,是基于对鸟群觅食行为的研究和模拟而来的.假设在鸟群觅食范围,只在一个地方有食物,所有鸟儿看不到食物(不知道食物的具体位置),但是能闻到食物的味道(能知道食物距离自己位 ...
- 【ELM预测】基于粒子群算法PSO优化极限学习机预测含Matlab源码
1 模型 为了提高空气质量预测精度,提出一种基于粒子群算法优化极限学习机的空气质量预测模型.运用粒子群算法优化极限学习机的初始权值和偏置,在保证预测误差最小的情况下实现空气质量最优预测.选择平均绝对百 ...
- 【回归预测-ELM预测】基于粒子群算法PSO优化极限学习机预测附matlab代码
1 内容介绍 风电功率预测为电网规划提供重要的依据,研究风电功率预测方法对确保电网在安全稳定运行下接纳更多的风电具有重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,现将粒子群 ...
最新文章
- TensorFlow——入门基础
- php各种api接口,PHPSAPI接口
- 人工智能正在永远改变药理学
- kvm虚拟化学习笔记(十一)之kvm虚拟机扩展磁盘空间
- iOS开发CoreAnimation解读之四——Layer层动画内容
- 《Java工程师成神之路》终于免费开放下载了!
- Cacti安装插件:email,msn,fetion报警(转载)
- jar包使用以及生成
- 计算机网络讨论4,计算机网络的创新研究讨论原稿(资料4)
- How change in Console is rendered back into UI
- teamviewer 可用设备上限_2020:抚州办公楼采暖设备种类齐全
- c语言线性顺序表,C语言程序——线性顺序表.doc
- UITextField加间隔符号格式化
- The ‘state_publisher‘ executable is deprecated. Please use ‘robot_state_publisher‘ instead
- Windows开发签名工具(SignTool)下载
- C/C++ 银行账户管理系统
- 小米应用市场隐私政策
- html5地图编辑器,Tiled地图编辑器 Tiled Map Editor 的使用(一)基础功能+地形功能...
- Latex表格线宽修改方法以及内容左对齐。
- Webpack实用工具之webpack-server