算法-粒子群算法-Matlab实现
粒子群算法(Particle Swarm Optimization,PSO)是20世纪90年代兴起的一门学科,因其概念简明、实现方便、收敛速度快而为人所知。粒子群算法的基本思想是模拟鸟群随机搜寻食物的捕食行为,鸟群通过自身经验和种群之间的交流调整自己的搜寻路径,从而找到食物最多的地点。其中每只鸟的位置/路径则为自变量组合,每次到达的地点的食物密度即函数值。每次搜寻都会根据自身经验(自身历史搜寻的最优地点)和种群交流(种群历史搜寻的最优地点)调整自身搜寻方向和速度,这个称为跟踪极值,从而找到最优解。
粒子群算法是一门新兴算法,此算法与遗传算法有很多相似之处,其收敛于全局最优解的概率很大。
①相较于传统算法计算速度非常快,全局搜索能力也很强;
②PSO对于种群大小不十分敏感,所以初始种群设为500-1000,速度影响也不大;
③粒子群算法适用于连续函数极值问题,对于非线性、多峰问题均有较强的全局搜索能力。
其流程图如下:
:
迭代次数:一般取100~4000,太少解不稳定,太多浪费时间。对于复杂问题,进化代数可以相应地提高;
惯性权重:该参数反映了个体历史成绩对现在的影响,一般取0.5~1;
学习因子:一般取0~4,此处要根据自变量的取值范围来定,并且学习因子分为个体和群体两种;
位置限制:限制粒子搜索的空间,即自变量的取值范围,对于无约束问题此处可以省略。
速度限制:如果粒子飞行速度过快,很可能直接飞过最优解位置,但是如果飞行速度过慢,会使得收敛速度变慢,因此设置合理的速度限制就很有必要了。
多峰问题对于算法的检验效果最佳,而上图显然是一个简单的非等距、非等高的多峰一元函数。
- 初始化种群
已知位置限制[0,20],由于一维问题较为简单,因此可以取初始种群N 为50,迭代次数为100,当然空间维数d 也就是1。
位置和速度的初始化即在位置和速度限制内随机生成一个N x d 的矩阵,对于此题,位置初始化也就是在0~20内随机生成一个50x1的数据矩阵,而对于速度则不用考虑约束,一般直接在0~1内随机生成一个50x1的数据矩阵。
此处的位置约束也可以理解为位置限制,而速度限制是保证粒子步长不超限制的,一般设置速度限制为[-1,1]。
每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比,如果超过历史最优值,则更新个体和种群的历史最优位置和最优解。
- 速度与位置的更新
速度和位置更新是粒子群算法的核心,其原理表达式和更新方式如下:
clc;clear;close all;
%% 初始化种群
f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式
figure(1);ezplot(f,[0,0.01,20]);
N = 50; % 初始种群个数
d = 1; % 空间维数
ger = 100; % 最大迭代次数
limit = [0, 20]; % 设置位置参数限制
vlimit = [-1, 1]; % 设置速度限制
w = 0.8; % 惯性权重
c1 = 0.5; % 自我学习因子
c2 = 0.5; % 群体学习因子
for i = 1:d x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置 ,limit是一行两列的矩阵
end
v = rand(N, d); % 初始种群的速度
xm = x; % 每个个体的历史最佳位置
ym = zeros(1, d); % 种群的历史最佳位置
fxm = zeros(N, 1); % 每个个体的历史最佳适应度
fym = -inf; % 种群历史最佳适应度
hold on
plot(xm, f(xm), 'ro');title('初始状态图');
figure(2)
%% 群体更新
iter = 1;
record = zeros(ger, 1); % 记录器
while iter <= ger fx = f(x) ; % 个体当前适应度 for i = 1:N if fxm(i) < fx(i) fxm(i) = fx(i); % 更新个体历史最佳适应度 xm(i,:) = x(i,:); % 更新个体历史最佳位置 end end
if fym < max(fxm) [fym, nmax] = max(fxm); % 更新群体历史最佳适应度 nmax是返回的行数ym = xm(nmax, :); % 更新群体历史最佳位置 end v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新 % 边界速度处理 v(v > vlimit(2)) = vlimit(2); v(v < vlimit(1)) = vlimit(1); x = x + v;% 位置更新 % 边界位置处理 x(x > limit(2)) = limit(2); x(x < limit(1)) = limit(1); record(iter) = fym; %最大值记录 ,被存入一维矩阵
% x0 = 0 : 0.01 : 20;
% plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化')
% pause(0.1) iter = iter+1; %求解最大值的迭代过程
end
figure(3);plot(record);title('收敛过程')
x0 = 0 : 0.01 : 20;
figure(4);plot(x0, f(x0), 'b-', x, f(x), 'ro');title('最终状态位置')
disp(['最大值:',num2str(fym)]);
disp(['变量取值:',num2str(ym)]);
转载于:粒子群算法的matlab实现(一)
算法-粒子群算法-Matlab实现相关推荐
- 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 ...
- 【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 ...
- MATLAB智能优化算法 - 粒子群算法及MATLAB实例仿真
一.粒子群算法理论 粒子群算法来源于鸟类集体活动的规律性,进而利用群体智能建立简化模型.它模拟的是鸟类的觅食行为,将求解问题的空间比作鸟类飞行的时间,每只鸟抽象成没有体积和质量的粒子,来表征一个问题的 ...
- 【转】粒子群算法----粒子群算法简介
一.粒子群算法的历史 粒子群算法源于复杂适应系统(Complex Adaptive System,CAS).CAS理论于1994年正式提出,CAS中的成员称为主体.比如研究鸟群系统,每个鸟在这个系统 ...
- c语言计算极值范围用粒子最优算法,智能优化算法——粒子群算法小实践
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 ...
- 基于群智能的三维路径规划算法 —— 粒子群算法
目录 一. PSO算法的基本理论 二. PSO算法程序设计流程 三. MATLAB编程实现 四. 算法举例 一. PSO算法的基本理论 粒子群(PSO)算法是依托群鸟觅食的模型寻找最优解.群体特征基于 ...
- 智能优化算法——粒子群算法原理与仿真程序
目录 遗传算法的简介与应用 - 子木的文章 - 知乎https://zhuanlan.zhihu.com/p/49055485一.粒子群算法的概念 二.粒子群算法分析 1.基本思想 2.更新规则 3. ...
- 智能优化算法——粒子群算法原理(附代码)
目录 基本概念 算法实现 粒子群算法的构成要素分析 C++程序测试Sphere函数 总结 visual studio2017c++源代码 源文件下载地址 基本概念 粒子群优化算法(particle s ...
- 大话算法 -- 粒子群算法
文章目录 前言 1 什么是粒子群算法? 2 举个例子 3 还是一个例子 算法流程 算法实现 最后 前言 粒子群算法是数学建模比赛中非常常用的算法,L学长今天给大家介绍一下什么是粒子群算法,以及该怎么使 ...
最新文章
- 虽然这些代码很少,就几行,但却很牛逼!
- 几个步骤,让你的 iOS 代码容易阅读
- matlab uitree update,elementUI tree 懒加载 更新节点
- 开发日记-20190417 关键词 JVM互相调用内存GC时不能回收问题
- check attribute active - how to check if SAP CRM WebClient UI property is read only
- 本地数据jqGrid分页
- Python自动化运维:Django之View视图和Template
- Java 网络编程(二) 两类传输协议:TCP UDP
- pythondd_windows7下安装python环境和django
- PHP函数call_user_func和call_user_func_array详解
- oracle last_day比较,Oracle的LAST_DAY函数
- Vendor Prefix:为什么需要浏览器引擎前缀
- 人工智能目标检测模型总结(三)——yolov1模型(2)
- java中运用数组排序_JAVA中运用数组的四种排序方法
- 真题解析 | 2022数模美赛C题:股票投资策略
- 基于fpga的方波发生器
- python 四象限图_「四象限图」excel制作四象限图的方法图解步骤 - seo实验室
- 产品分型面、插靠破、潜水进胶注意事项!
- Gitte (https://gitee.com/) 常用git指令--实例
- 5种数据分析常用的思维方法!
热门文章
- 【数据结构笔记43】C实现:寻找通话次数最多的电话号(散列表例题)
- C#笔记02 变量、数据类型
- java web 路径 .html,java web 路径(java web 路径).doc
- linux usr目录权限不够,【ARM-Linux开发】Ubuntu下的/usr目录权限,导致不能使用sudo命令的修复...
- VSCode下Pytorch无法自动补全的问题
- C#按Esc后退出对话框
- java安卓如何实现定义接口
- matlab求系统根轨迹和系统增益,控制系统的根轨迹分析
- Kindle Collection编辑器
- 论文笔记-LSHTC: A Benchmark for Large-Scale Text Classification-2015