粒子群算法的函数极值求解
粒子群算法(PSO)是一种基于群体的随机优化技术,与其他基于群体的进化算法相比,他们均初始化为一组随机解,通过迭代搜寻最优解。不同的是,进化算法遵循适者生存原则,而PSO模拟社会,将每个可能产生的解表述为群中的一个微粒,每个微粒都具有自己的位置向量和速度向量,以及一个由目标函数决定的适应度,所有微粒在搜索空间中以一定的速度飞行,通过追随当前搜索到的最优值来搜索全局最优值。
——《Matlab智能算法 超级学习手册》
一般粒子群算法的基本原理
设在一个S维的搜索空间中,有m个粒子组成一个群体。每个粒子拥有自己的位置坐标以及飞行速度,分别记作和,。每个粒子所对应的适应值为。记第i个粒子迄今搜素到的最优位置为:,所有粒子至今搜索到的最优位置为。
设所求目标为的极大值,则微粒i当前最好位置为:
迭代时,使用下式对粒子进行操作:
为t+1步时,第i个粒子的速度。1式第一项中,w为非负常量,称作动力常量,控制前一速度对后一速度的影响;第二项中,c1为自我学习因数,控制粒子飞向自身搜索最优解;第三项中,c2为社会影响因数,控制粒子飞向粒子社会迄今搜索到的最优解。为了防止粒子飞行飞出定义域,通常为粒子速度和粒子位置设置限制,即和。
综上,一般PSO求解极值问题的步骤为:
1,初始化粒子个数m,各粒子初始坐标,速度。
2,计算每个粒子的适应值。
3,对每个粒子将其适应值和其经历过的最好的位置的适应值进行比较,若较好,则将其本次位置作为 当前的最好位置。
4,对每个粒子将其适应值和全局经历过的最好位置的适应值进行比较,若较好,则将其本次位置作为 当前的全局最好位置。
5,根据式1和式2分别对粒子的速度和位置进行更新。
6,若满足终止条件,则输出解,否则返回第二步。
——《Matlab智能算法 超级学习手册》
PSO求解极值问题流程图
*图片感谢胡哥
使用粒子群算法求解函数极值
在工程实际问题中,经常需要求解一些非线性方程的根,这些非线性方程根很难找出解析解,粒子群算法则很好的解决了这个问题。
使用一般粒子群算法求解一元函数最大值。
clc
clear
close all;
%% 目标函数定义
f=@(x)11.*sin(2.*x)+7*cos(5.*x); %函数定义
lb=-3; %函数定义域下界
ub=3; %函数定义域上界
figure(1); %开辟图形窗口
subplot(1,2,1); %分割图形窗口
ezplot(f,[lb ub]); %绘制函数图像
xlabel('x'); %设置坐标轴x
ylabel('y'); %设置坐标轴y
hold on; %绘图保持命令
%% 算法参数初始化
m=10; %粒子数
vlimit=1.2; %速度界限
N=100; %迭代次数
w=0.9; %惯性影响因数
c1=0.5; %自我学习因数
c2=0.5; %社会影响因数x=rand(m,1)*(ub-lb)+lb; %粒子坐标初始化
v=-vlimit+2*vlimit*rand(m,1); %粒子速度初始化
y=f(x); %粒子初始化后适应值
xbest=x; %粒子自身学习到的最优坐标
ybest=y; %粒子自身学习到的最优值
ysbest=max(y); %粒子群社会当前最优值
xsbest=x(y==max(y)); %粒子群社会当前最优值坐标
BestY=[]; %存放每次迭代的社会最优适应值
BestX=xsbest; %存放每次迭代的社会最优适应值对应的x坐标
h=scatter(x,y,80,'*r'); %绘制散点图并返回图形句柄
%% 迭代计算
while Nv=w.*v+c1.*(xbest-x)+c2.*(BestX-x); %粒子速度更新for i=1:m %粒子速度上下界约束if v(i,1)>vlimit %若粒子速度正向过大v(i,1)=vlimit; %粒子速度为正向最大值elseif vlimit<-v(i,1) %若粒子速度反向过大v(i,1)=-vlimit; %粒子速度为反向最大值endendx=x+v; %粒子位置更新for i=1:m %粒子位置上下界约束if x(i,1)>ub %若粒子位置正向过大x(i,1)=ub; %粒子位置为定义域上界elseif x(i,1)<lb %若粒子位置反向过大x(i,1)=lb; %粒子位置为定义域下界endendy=f(x); %重新计算各粒子适应值for i=1:m %遍历所有粒子if y(i)>ybest(i) %若当前结果较好ybest(i)=y(i); %更新第i个粒子的自身最好经验值xbest(i)=x(i); %更新第i个粒子的自身最好经验坐标endendBestY=[BestY,max(ybest)]; %更新每次迭代的社会最优适应值for i=1:mif BestY(end)==max(BestY) %本次是最优则更新,本次不是最优不更新if ybest(i)==max(ybest)BestX=xbest(i); %更新每次迭代的社会最优适应值对应的x坐标break;endendend pause(0.01); %延时观察散点图趋势h.XData=x; %更新散点图x坐标h.YData=y; %更新散点图y坐标N=N-1; %循环计数
end
%% 结果输出
plot(BestX,BestY(end),'bo') %绘制最终结果
subplot(1,2,2); %分割图形窗口
plot(BestY); %绘制出每次迭代最佳适应度的变化图
xlabel('迭代次数'); %设置坐标轴x
ylabel('适应度'); %设置坐标轴y
disp('最佳的位置是:'); disp(BestX) %结果输出
disp('此时最优值是:'); disp(BestY(end)) %结果输出
正常的运行结果是这样:
当然,由于只是一般的PSO,算法容易陷入局部最优解。
使用一般粒子群算法求解二元函数最大值。
clc
clear
close all;
%% 目标函数定义
xlb=-5; %函数x定义域下界
xub=5; %函数x定义域上界
ylb=-5; %函数y定义域下界
yub=5; %函数y定义域上界
lx=xlb:0.05:xub; %x向量
ly=ylb:0.05:yub; %y向量
[X,Y]=meshgrid(lx,ly); %x,y向量构建网格采样点
F=Y.*sin(10.*X)-X.*sin(Y); %二维函数定义
%F=50-X.^2-Y.^2;
figure(1); %开辟图形窗口
subplot(1,2,1); %分割图形窗口
mesh(X,Y,F); %二维函数绘制
xlabel('x'); %设置坐标轴x
ylabel('y'); %设置坐标轴y
zlabel('z'); %设置坐标轴z
hold on; %绘图保持命令
%% 算法参数初始化
m=50; %粒子数
s=2; %维数
vxlimit=(xub-xlb)*0.05; %x速度界限
vylimit=(yub-ylb)*0.05; %y速度界限
N=100; %迭代次数
w=0.9; %惯性影响因数
c1=0.5; %自我学习因数
c2=0.5; %社会影响因数x=rand(m,1)*(xub-xlb)+xlb; %粒子x坐标初始化
y=rand(m,1)*(yub-ylb)+ylb; %粒子y坐标初始化
vx=-vxlimit+2*vxlimit*rand(m,1); %粒子x向速度初始化
vy=-vylimit+2*vylimit*rand(m,1); %粒子y向速度初始化z=y.*sin(10.*x)-x.*sin(y); %粒子初始化后适应值(m个粒子,m个适应值)xbest=x; %粒子自身学习到的最优x坐标
ybest=y; %粒子自身学习到的最优y坐标
zbest=z; %粒子自身学习到的最优z值zsbest=max(z); %粒子群社会当前最优值
xsbest=x(z==max(z)); %粒子群社会当前最优值x坐标
ysbest=y(z==max(z)); %粒子群社会当前最优值y坐标BestZ=[]; %存放每次迭代的社会最优适应值
BestX=xsbest; %存放每次迭代的社会最优适应值对应的x坐标
BestY=ysbest; %存放每次迭代的社会最优适应值对应的y坐标
h=scatter3(x,y,z,80,'*r'); %绘制散点图并返回图形句柄
%% 迭代计算
while Nvx=w.*vx+c1.*(xbest-x)+c2.*(BestX-x); %粒子x速度更新vy=w.*vy+c1.*(ybest-y)+c2.*(BestY-y); %粒子x速度更新 for i=1:m %粒子x速度上下界约束if vx(i,1)>vxlimit %若粒子x速度正向过大vx(i,1)=vxlimit; %粒子x速度为正向最大值elseif vxlimit<-vx(i,1) %若粒子x速度反向过大vx(i,1)=-vxlimit; %粒子x速度为反向最大值endif vy(i,1)>vylimit %若粒子y速度正向过大vy(i,1)=vylimit; %粒子y速度为正向最大值elseif vylimit<-vy(i,1) %若粒子y速度反向过大vy(i,1)=-vylimit; %粒子y速度为反向最大值end endx=x+vx; %粒子x位置更新y=y+vy; %粒子y位置更新for i=1:m %粒子位置上下界约束if x(i,1)>xub %若粒子位置正向过大x(i,1)=xub; %粒子位置为定义域上界elseif x(i,1)<xlb %若粒子位置反向过大x(i,1)=xlb; %粒子位置为定义域下界endif y(i,1)>yub %若粒子y位置正向过大y(i,1)=yub; %粒子y位置为定义域上界elseif y(i,1)<ylb %若粒子y位置反向过大y(i,1)=ylb; %粒子y位置为定义域下界end endz=y.*sin(10.*x)-x.*sin(y); %重新计算各粒子适应值for i=1:m %遍历所有粒子if z(i)>zbest(i) %若当前结果较好zbest(i)=z(i); %更新第i个粒子的自身最好经验z值xbest(i)=x(i); %更新第i个粒子的自身最好经验x坐标ybest(i)=y(i); %更新第i个粒子的自身最好经验y坐标 endendBestZ=[BestZ,max(zbest)]; %更新每次迭代的社会最优适应值for i=1:mif BestZ(end)==max(BestZ) %本次是最优则更新,本次不是最优不更新if zbest(i)==max(zbest)BestX=xbest(i); %更新每次迭代的社会最优适应值对应的x坐标BestY=ybest(i); %更新每次迭代的社会最优适应值对应的y坐标 break;endendend
% pause(0.01); %延时观察散点图趋势h.XData=x; %更新散点图x坐标h.YData=y; %更新散点图y坐标h.ZData=z; %更新散点图y坐标 N=N-1; %循环计数
end
%% 结果输出
plot3(BestX,BestY,BestZ(end),'bo') %绘制最终结果
subplot(1,2,2); %分割图形窗口
plot(BestZ); %绘制出每次迭代最佳适应度的变化图
xlabel('迭代次数'); %设置坐标轴x
ylabel('适应度'); %设置坐标轴y
disp('最佳的x位置是:'); disp(BestX) %结果输出
disp('最佳的y位置是:'); disp(BestY) %结果输出
disp('此时最优z值是:'); disp(BestZ(end)) %结果输出
运行结果如下:
但仍易于陷入局部最优解:
粒子群算法的函数极值求解相关推荐
- 粒子群算法求函数极值
粒子群算法是群智能算法中的一种,除此之外还有其他的群智能算法,如蚁群算法.猴群算法.鱼群算法等等.本文是关于粒子群算法的.所有的群智能算法都是通过模拟自然界中的生物群体的行为来解决问题的一种思想,同遗 ...
- matlab中fic算法,粒子群算法在函数优化问题中的应用最终版(全文完整版)
<粒子群算法在函数优化问题中的应用.doc>由会员分享,可免费在线阅读全文,更多与<粒子群算法在函数优化问题中的应用(最终版)>相关文档资源请在帮帮文库(www.woc88.c ...
- 优化算法求解复杂约束问题策略(以粒子群算法为例讲解求解复杂约束问题的多种策略)
优化算法求解复杂约束问题策略(以粒子群算法为例讲解求解复杂约束问题的多种策略)python实现 整个代码文字讲解共17页 提示:专栏解锁后,可以查看该专栏所有文章. 文章目录 策略1:在位置更 ...
- 遗传-粒子群算法遗传-禁忌搜索算法求解TSP问题
1. 前言 上一篇博文[五种常见启发式算法求解TSP问题-总结篇]中,总结了五种常见启发式算法在求解TSP问题上的效果,其中遗传算法的求解质量最差,而粒子群算法和禁忌搜索算法的求解效果最佳,因此本文计 ...
- 粒子群算法查找函数最小值
实现 函数 F01.F06 的优化测试 以下内容是现有算法的运行结果.调参分析.及代码实现,用于给其他人提供参考,懒得改了hh 1. 运行结果 参数 w = 0.5 (可更改) c1 = 2.0 (可 ...
- 粒子群优化算法的寻优算法——非线性函数极值寻优Matlab
粒子群算法的起源 1995年,受到鸟群觅食行为的规律性启发,James Kennedy和Russell Eberhart建立了一个简化算法模型,经过多年改进最终形成了粒子群优化算法(Particle ...
- 粒子群算法java_基于粒子群算法求解求解TSP问题(JAVA)
一.TSP问题 TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题.货郎担问题,是数学领域中著名问题之一.假设有一个旅行商人要拜访n个城市,他必须选 ...
- 基于粒子群算法与最小二乘拟合函数参数
前言 今天更新较晚主要还是学业繁忙,学习素材也不是很好找,可能很多同学们都在做数学建模以及应用统计时都会涉及到函数参数拟合的问题,一般最常用的方法是最小二乘法,但是当函数参数很多时,往往去普通最小二乘 ...
- 粒子群算法tsp java_粒子群算法解决TSP问题汇总.doc
PAGE \* MERGEFORMAT 14 河南理工大学计算机科学与技术学院课程设计报告 2014- 2015学年第一学期 课程名称 Java语言程序设计 设计题目 利用粒子群算法解决TSP问题 姓 ...
最新文章
- Boost 1.53.0 发布,可移植的C++标准库
- C#和Unity游戏开发者大师班2021 (2D,3D和FPS)
- python画彩色城墙_Python绘制城堡-(有惊喜!!!)
- 【洛谷 1991】 无线通讯网
- linux内核dentry结构学习
- 我们公司今天组织去清远漂流,哈哈!
- python 32位软件下载安装_Python32位官方下载-Python(开发环境工具)v3.9.1 x32 官方win版-ucbug软件站...
- 7.Linux 的文件权限和目录配置
- 数字系统设计与制作报告——双向流水灯控制电路
- 前端高效开发不得不知道的一些JavaScript库!
- 【SSL证书】如何使用 FreeSSL (V2.8.0) 申请免费证书及安装
- pyqt5 选择打开文件夹与读取文件夹图片列表
- mac上传文件到ftp服务器,mac上传文件到ftp服务器
- 计算机excel教程ppt,计算机应用基础教程ppt课件 全套450页.ppt
- 企业微信服务商集成解决方案
- termux搭建mc服务器
- Android存储之MediaStore的使用
- android实现简单弹幕
- QT中QPrinter打印功能
- Java | SpringBoot 常用注解详解