粒子群优化算法（2）离散粒子群算法

在上一篇博客粒子群优化算法（1）中介绍了基本的粒子群算法，基本粒子群算法是基于连续空间（区间）进行搜索，然而在一些实际的工程应用中，我们的待求解的变量可能并不是历需的，而实一种离散型的变量。这就需要对基本的粒子群算法做出一些相应的改进。

在离散粒子群算法中，将离散问题空间映射到连续粒子运动空间，并做适当的修改。任然保留经典粒子群算法的速度-位置更新策略。粒子在状态空间的取值只限于0，1两个值，而速度的每一个位代表的是粒子位置所对应的位取值为0/1的可能性。因此在离散粒子群算法中，粒子速度的更新公式依然保持不变，但是个体最优位置和全局最优位置每一位的取值只能为0/1。

离散粒子群算法速度和位置的更新方式如下所示：

$v_{i}(t+1)=v_{i}(t)+c_{1}r_{r}(t)[p_{i,best}(t)-X_{i}(t)]+c_{2}r_{2}(t)[p_{g}(t)-X_{i}(t)]$

粒子速度的更新方式不变，但是其位置的更新方式如下所示：

$s(v_{i,j})=\frac{1}{1+e^{-v_{i,j}}}$ (利用sigmoid函数将例子的速度映射到0-1之间)

则粒子的速度可以表示为：

$x_{i,j}=\left\{\begin{matrix} 1, rand()<s(v_{i,j})\\ 0, else \end{matrix}\right.$

例如，对于经典的0-1背包问题：如果采用粒子群优化算法求解，只能是采用离散的粒子群算法：
问题描述：

有一个容量为V的背包，有N件物品，第i件物品的体积是c(i),价值是w(i).那么将哪些物品放入背包中，可以使得价值最大。假设具体的数据如下：

假设N=10, V = 300, 每件物品的体积为：[95, 75, 23, 73, 50, 22, 6, 57, 89, 98], 物品的价值为[89， 59，19, 43, 100, 72, 44, 16, 7, 64]

具体的计算流程如下：

1. 对速度进行初始化，对粒子的位置进行初始化，这里粒子的位置采用的二进制的表示方法。1表示选择该物体，0表示不选择该物体。其他的参数的初始化的过程与前面的方法一样。

源代码：

clc;
clear all;
NP = 100;      % 种群个数
G = 200;       % 迭代次数
D = 10;        % 决策变量的维度
c1 = 1.5;      % 学习因子
c2 = 1.5;
w_max = 0.8;   % 惯性权重
w_min = 0.4;
v_max = 5;     % 粒子的速度限制
v_min = -5;
V = 300;       % 背包容量
capacity = [95 75 23 73 50 22 6 57 89 98];      % 物品的体积
weight = [89 59 19 43 100 72 44 16 7 64];       % 物品的价值
penality = 2;
% 初始化种群个体
x = (rand(NP,D)>0.5);                        % 产生均匀分布的二进制串  randn产生的是符合正态分布的随机数
v = v_min + rand(NP,D)*(v_max - v_min);      % 速度进行初始化% 初始化个体最优
individual_best = x;       %  每个个体的历史最优
pbest = zeros(NP, 1);      %  个体最优位置对应的适应度值
for k=1:NPpbest(k, 1) = func(individual_best(k, :), capacity, weight, V, penality);
end% 初始化全局最优
global_best = zeros(1, D);
global_best_fit = eps;
for k=1:NPtemp = func(individual_best(k, :), capacity, weight, V, penality);if temp > global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;end
end% 进行迭代
for gen = 1:G% 计算动态惯性权值w = w_max - (w_max-w_min) * gen / G;for k=1:NP% 更新速度v(k, :) = w * v(k, :) + c1 * rand() * (individual_best(k, :) - x(k, :)) + c2 * rand() * (global_best - x(k, :));% 边界条件处理    % 边界吸收for t=1:Dif v(k, D) > v_maxv(k, D) = v_max;endif v(k, D) < v_minv(k, D) = v_min;endend% 使用sigmoid函数对速度进行映射vs(k, :) = 1./(1+exp(-v(k, :)));% 更新粒子的位置for t=1:Dif vs(k, t)>rand()x(k, t) = 1;elsex(k, t) = 0;endendend% 计算个体历史最优与全局最优% 个体历史最优for k=1:NPold_fitness = func(individual_best(k, :), capacity, weight, V, penality);new_fitness = func(x(k, :), capacity, weight, V, penality);if new_fitness > old_fitnessindividual_best(k, :) = x(k, :);pbest(k, 1) = new_fitness;endend% 全局最优for k=1:NPtemp = func(individual_best(k, :), capacity, weight, V, penality);if temp > global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;endendglobal_optimal(gen) = global_best_fit;      % 记录每次迭代中
endfigure(1)
plot(global_optimal);% 定义适应度函数
function res = func(x, capacity, weight, bag_volume, penality)% 适应度函数的输入参数% x: 可行解  二进制串% capacity:  物品的体积% bag_volume:  背包的容积% penality:   惩罚系数fitness = sum(x.*weight);          % 总的价值total_volume = sum(x.*capacity);   % 总的体积if total_volume <= bag_volumeres = fitness;elseres = fitness - penality * (total_volume - bag_volume);end
end

运行结果：

除此之外，还可以使用离散粒子群算法求解单变量的优化问题：
例如，求解函数的极值，函数的表达式如下所示：

$f(x)=x+6sin(5x)+4cos(3x)$

其中： $x\in [0,9]$

可以画出函数的图像，如下所示：

源代码：

clc;
clear all;
xx = 0:0.05:9;
f_x = xx + 6*sin(4.*xx) + 9*cos(6.*xx);
figure(1)
plot(xx, f_x);
title('f(x)=x+6sin(4x)+9cos(6x)');
xlabel('x');
ylabel('f(x)');NP = 100;      % 种群个数
G = 200;       % 迭代次数
D = 10;        % 二进制编码的为位数
c1 = 1.5;      % 学习因子
c2 = 1.5;
w_max = 0.8;   % 惯性权重
w_min = 0.4;
v_max = 5;     % 粒子的速度限制
v_min = -5;
x_min = 0;
x_max = 9;
mode = 'min';  % 模式选择，是求函数的最大值函数函数的最小值  'min' , 'max'% 初始化种群个体
x = (rand(NP,D)>0.5);                        % 产生均匀分布的二进制串  randn产生的是符合正态分布的随机数
v = v_min + rand(NP,D)*(v_max - v_min);      % 速度进行初始化% 初始化个体最优
individual_best = x;       %  每个个体的历史最优
pbest = zeros(NP, 1);      %  个体最优位置对应的适应度值
for k=1:NP pbest(k, 1) = func(individual_best(k, :), x_max, x_min, D);
end% 初始化全局最优
if strcmp(mode, 'max')      % 求函数的最大值global_best = zeros(1, D);global_best_fit = eps;for k=1:NPtemp = func(individual_best(k, :), x_max, x_min, D);if temp > global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;endend
else                        % 求函数的最小值global_best = zeros(1, D);global_best_fit = inf;for k=1:NPtemp = func(individual_best(k, :), x_max, x_min, D);if temp < global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;endend
end% 开始迭代
for gen=1:G% 计算动态惯性权值w = w_max - (w_max-w_min) * gen / G;for k=1:NP% 更新速度v(k, :) = w * v(k, :) + c1 * rand() * (individual_best(k, :) - x(k, :)) + c2 * rand() * (global_best - x(k, :));% 边界条件处理    % 边界吸收for t=1:Dif v(k, D) > v_maxv(k, D) = v_max;endif v(k, D) < v_minv(k, D) = v_min;endend% 使用sigmoid函数对速度进行映射vs(k, :) = 1./(1+exp(-v(k, :)));% 更新粒子的位置for t=1:Dif vs(k, t)>rand()x(k, t) = 1;elsex(k, t) = 0;endendend% 更新粒子的历史最有位置if strcmp(mode, 'min')% 个体最优位置for k=1:NPold_fitness = func(individual_best(k, :), x_max, x_min, D);new_fitness = func(x(k, :), x_max, x_min, D);if new_fitness < old_fitnessindividual_best(k, :) = x(k, :);     % 个体最优位置更新endend% 全局最优位置for k=1:NPtemp = func(individual_best(k, :), x_max, x_min, D);if temp < global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;endendelse% 个体最优位置for k=1:NPold_fitness = func(individual_best(k, :), x_max, x_min, D);new_fitness = func(x(k, :), x_max, x_min, D);if new_fitness > old_fitnessindividual_best(k, :) = x(k, :);     % 个体最优位置更新endend% 全局最优位置for k=1:NPtemp = func(individual_best(k, :), x_max, x_min, D);if temp > global_best_fitglobal_best = individual_best(k, :);global_best_fit = temp;endendend% 记录函数的适应度值fitness_optimal(gen) = global_best_fit;
endfigure(2)
plot(fitness_optimal);
xlabel('x')
ylabel('f(x)');
title(['适应度值  ', num2str(fitness_optimal(end)), ' | ', num2str(x_min+(x_max-x_min)/(2^D-1)*binary2dec(global_best))]);function res = func(x, xmax, xmin, D)% 参数  x 二进制串% vmax : 速度的最大值% vmin : 速度的最小值% D ： 二进制的编码位数temp_ = binary2dec(x);temp = xmin + (xmax-xmin)/(2^D-1) * temp_;res = temp + 6*sin(4*temp) + 9*cos(6*temp);
endfunction res = binary2dec(x)total_value = 0;for k=length(x):-1:1total_value = total_value + x(k)*2^(length(x)-k);endres = total_value;
end

求取最大值，将mode参数设置为‘max’即可：

求取最小值，将mode参数设置为‘min’即可：

粒子群优化算法（2）离散粒子群算法相关推荐

【二次分配问题】基于遗传算法（GA）、粒子群优化（PSO）和萤火虫算法（FA）求解二次分配（ QAP）问题（MATLAB 实现）
目录 1 概述 3 运行结果 3.1 萤火虫算法 3.2 粒子群优化算法 3.3 遗传算法
基于粒子群优化的灰色预测方法（Matlab）——附代码
目录摘要: 研究背景: GM(1,1)模型基于PSO的灰色预测算法运行结果: 本文Matlab代码分享摘要: 本文对灰色预测算法进行了研究.在GM(1,1)模型中,发展系数a和灰色作用量u是两 ...
自适应变异粒子群matlab,一种自适应变异粒子群优化算法的制作方法
本算法属于数据挖掘领域,涉及到SVM分类器和参数寻优,特别涉及到其变异操作,使得能够最大限度的搜索到全局最优解. 背景技术: 网格划分法是SVM分类器中常用的一种参数寻优方法,原因如下:一是网格划分法 ...
matlab 动态邻域粒子群,求解TSP问题的动态邻域粒子群优化算法
1引言粒子群优化(ParticleSwarmOptimization,PSO)算法于1995年由Eberhart博士和Kennedy博士提出,它是一类新兴的基于群智能优化算法[1],同其它的进化算法相 ...
粒子群优化算法改进之多子群合作粒子群优化算法
粒子群优化算法文献阅读文章目录粒子群优化算法文献阅读前言题目:Enhanced multi-swarm cooperative particle swarm optimizer 期刊:Swar ...
改进粒子群优化算法(IWAPSO)的MATLAB源程序
改进粒子群优化算法(IWAPSO)的MATLAB源程序作者:aaron8967 主页:http://aaron8967.blog.51cto.com 说明:粒子群优化算法(Particle S ...
蚁群算法优化神经网络matlab源程序,粒子群优化神经网络的程序大集合
粒子群程序集合 866867259psobp psobp.m pso(粒子群算法)优化神经网络粒子群算法(PSO)应用于神经网络优化[matlab] PSOt A Particle Swarm Op ...
2021-01-28 粒子群优化算法-Python版本和Matlab函数 particleswarm 调用
粒子群优化算法-Python版本和Matlab函数 particleswarm 调用前两天分享了粒子群优化算法的原理和Matlab原理实现,本文分享一下Python代码下的PSO实现以及Matlab ...
Python自定义:粒子群优化算法
Python中的粒子群算法例子算法又被称作飞鸟觅食算法,是一种常见的现代启发式优化算法.在Python中,处于不同的情况考虑,我们都可能使用到该算法.在这里我给出三种情况下的解决方案或者替代方案. ...

粒子群优化算法（2）离散粒子群算法

粒子群优化算法（2）离散粒子群算法相关推荐

最新文章

热门文章