Matlab学习手记——非线性拟合方法：压缩因子粒子群算法

目的：采用压缩因子粒子群算法实现双指数拟合。

function x_opt = PSO_ExpFit2(t, Et)
%{
函数功能：压缩因子粒子群算法实现指数拟合：y = a1*exp(-x/b1) + a2*exp(-x/b2) + c
输入：t：自变量；Et：因变量；
输出：x_opt：最优解；
调用格式：
clear;clc;
t = 0.2*(1:3000)';
data = 400*exp(-t/5) + 600*exp(-t/200) + 10*rand(size(t));
tic;
p = PSO_ExpFit2(t, data)
toc;
fit = p(1)*exp(-t/p(2)) + p(3)*exp(-t/p(4)) + p(5);
plot(t, data, t, fit, 'LineWidth', 2)
legend('model', 'PSO');
%}
% 初始值
D = 5;                      % 粒子维度，未知数个数；
IterMax = 500;      % 最大迭代次数；
Vmin = -1;               % 速度最小值；
Vmax = 1;               % 速度最大值；
c1 = 2.05;               % 学习因子1，认知部分；
c2 = 2.05;               % 学习因子2，社会部分；
N = 100;               % 种群个数；
Xmin = [0, -2, 0, -2, 0];    % 下限
max_sig = max(Et);
Xmax = [1.5*max_sig, 4, 1.5*max_sig, 4, 0.5*max_sig];  % 上限；
% 计算
phy = c1 + c2;
lamda = 2 / abs(2 - phy - sqrt(phy^2 - 4*phy));   % 压缩因子
% 初始化种群个体（限定位置和速度）
x = rand(N, D).*repmat(Xmax - Xmin, N, 1) + repmat(Xmin, N, 1);
v = rand(N, D)*(Vmax - Vmin) + Vmin;
% 初始化个体最优位置和最优值
p = x;
pbest = ones(1, N);
for i = 1 : Npbest(i) = Obj_Fit(x(i, :), t ,Et);
end
% 初始化全局最优位置和最优值
g = ones(1, D);
gbest = inf;
for i = 1 : Nif pbest(i) < gbestg = p(i, :);gbest = pbest(i);end
end
% 迭代直到满足精度或者迭代次数
fx = zeros(1, N);
for i = 1 : IterMaxfor j = 1 : N% 更新个体最优位置和最优值 fx(j) = Obj_Fit(x(j, :), t ,Et);if fx(j) < pbest(j)p(j, :) = x(j, :);pbest(j) = fx(j);end% 更新全局最优位置和最优值 if pbest(j) < gbestg = p(j, :);gbest = pbest(j);end% 更新位置和速度值  v(j, :) = lamda*v(j, :) + c1*rand*(p(j, :) - x(j, :)) + c2*rand*(g - x(j, :));x(j, :) = x(j, :) + v(j, :);% 边界条件处理 for ii = 1 : Dif (v(j, ii) > Vmax) || (v(j, ii) < Vmin)v(j, ii) = rand*(Vmax - Vmin) + Vmin;endif (x(j, ii) > Xmax(ii)) || (x(j, ii) < Xmin(ii))x(j, ii) = rand*(Xmax(ii) - Xmin(ii)) + Xmin(ii);endendend
end
x_opt = g;
x_opt(2) = 10^(x_opt(2));
x_opt(4) = 10^(x_opt(4));
end% 目标函数
function fitError = Obj_Fit(p0, t ,Et)
A1 = p0(1);
B1 = p0(2);
A2 = p0(3);
B2 = p0(4);
A0 = p0(5);
f = A1*exp(-t/10^B1) + A2*exp(-t/10^B2) + A0;
fitError = norm(Et - f);
end

Matlab学习手记——非线性拟合方法：压缩因子粒子群算法相关推荐

jeremy的路径规划学习-1.三维地图定义，散点拟合插值与粒子群算法（matlab实现）
jeremy的路径规划学习-1.三维地图定义,散点拟合插值与粒子群算法(matlab实现) 本文基于小黎的ally学习资料实现,感谢该博主的无私奉献三维地图与二维地图的差别 1.二维无高度信息,多用 ...
【图像分割】基于matlab Kmean聚类分水岭、oust、粒子群算法优化脂肪肝图像分割【含Matlab源码 2277期】
⛄一.粒子群算法自适应多阈值图像分割简介 FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解.PSO算法是一种基于群体的具有全局寻优能力的优化方法.本文将FCM ...
Matlab学习手记——非线性方程组求解：牛顿下山法
功能:牛顿下山法求解非线性方程组. 牛顿下山法 function [x, n] = NonLinearEquations_NewtonDown(x0, err) %{ 函数功能:牛顿下山法求解非线性方 ...
matlab 牛顿法非线性方程,Matlab学习手记——非线性方程组求解：牛顿法
功能:牛顿法求解非线性方程组. 调用示例命令行输入: [r, n]=mul_Newton([0 0 0], 1e-5) 得到结果: r = 0.4996 -0.0900 -0.5259 n = 5 ...
【优化预测】粒子群算法优化BP神经网络预测温度matlab源码
一.粒子群算法及RBF简介 1 粒子群算法简介 1.1 引言自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在.生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模 ...
【TWVRP】基于matlab粒子群算法求解带时间窗的车辆路径规划问题（总成本最低）【含Matlab源码 2590期】
⛄一.VRP简介 1 VRP基本原理车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一.VRP关注有一个供货商与K个销售点的路径规划的情况,可以简 ...
【PSO三维路径规划】基于matlab粒子群算法无人机山地三维路径规划【含Matlab源码 1405期】
⛄一.无人机简介 0 引言随着现代技术的发展,飞行器种类不断变多,应用也日趋专一化.完善化,如专门用作植保的大疆PS-X625无人机,用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机,以及用作水 ...
【优化布局】基于matlab粒子群算法求解充电站布局优化问题【含Matlab源码 012期】
⛄一.粒子群算法简介 1 引言自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在.生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型,在他的仿真中,每一个个体都 ...
【SVM回归预测】基于matlab粒子群算法优化SVM回归预测【含Matlab源码 1424期】
⛄一.粒子群算法简介 1 引言自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在.生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型,在他的仿真中,每一个个体都 ...

Matlab学习手记——非线性拟合方法：压缩因子粒子群算法

目的：采用压缩因子粒子群算法实现双指数拟合。

Matlab学习手记——非线性拟合方法：压缩因子粒子群算法相关推荐

最新文章

热门文章