粒子群算法matlab代码吐血推荐Word文档下载推荐.docx

1、每个粒子表示为：xi（xi1,xi2，xi3,.，xi）,每个粒子对应的速度可以表示为vi（vi，vi2，v3,.,v）,每个粒子在搜索时要考虑两个因素： 。自己搜索到的历史最优值 ,pi=（p1,p2,.,iQ），i=,2,3,.，n。 2。全部粒子搜索到的最优值pg,p（1，2,.，g），注意这里的pg只有一个。 下面给出粒子群算法的位置速度更新公式： 这里有几个重要的参数需要大家记忆,因为在以后的讲解中将会经常用到：它们是:是保持原来速度的系数，所以叫做惯性权重。是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,所以叫“认知”。通常设置为2。是粒子跟踪群体最优值的权重系数,它表示

2、粒子对整个群体知识的认识，所以叫做“社会知识”，经常叫做“社会”。是0,区间内均匀分布的随机数。是对位置更新的时候,在速度前面加的一个系数,这个系数我们叫做约束因子。通常设置为1。 这样一个标准的粒子群算法就结束了。 下面对整个基本的粒子群的过程给一个简单的图形表示: 判断终止条件可是设置适应值到达一定的数值或者循环一定的次数。 注意：这里的粒子是同时跟踪自己的历史最优值与全局（群体）最优值来改变自己的位置预速度的,所以又叫做全局版本的标准粒子群优化算法。粒子群算法（3）-标准的粒子群算法（局部版本） 在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是:粒子自

3、己历史最优值p。. 粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pn。其余保持跟全局版的标准粒子群算法一样,这个算法就变为局部版的粒子群算法。 一般一个粒子i 的邻域随着迭代次数的增加而逐渐增加，开始第一次迭代,它的邻域为0，随着迭代次数邻域线性变大,最后邻域扩展到整个粒子群，这时就变成全局版本的粒子群算法了。经过实践证明:全局版本的粒子群算法收敛速度快,但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢,但是很难陷入局部最优。现在的粒子群算法大都在收敛速度与摆脱局部最优这两个方面下功

4、夫。其实这两个方面是矛盾的。看如何更好的折中了。 根据取邻域的方式的不同,局部版本的粒子群算法有很多不同的实现方法。 第一种方法：按照粒子的编号取粒子的邻域，取法有四种:1，环形取法 2,随机环形取法 3,轮形取法4，随机轮形取法。 环形2 随机环形 轮形4随机轮形 因为后面有以环形取法实现的算法，对环形取法在这里做一点点说明:以粒子1为例，当邻域是0的时候,邻域是它本身,当邻域是1时,邻域为2，8；当邻域是2时，邻域是,3，7，8；.,以此类推,一直到邻域为4，这个时候,邻域扩展到整个例子群体。据文献介绍（国外的文献）,采用轮形拓扑结构,SO的效果很好。 第二种方法：按照粒子的欧式距离取粒子

5、的邻域 在第一种方法中，按照粒子的编号来得到粒子的邻域，但是这些粒子其实可能在实际位置上并不相邻，于是Sugntn提出基于空间距离的划分方案,在迭代中计算每一个粒子与群中其他粒子的距离。记录任何2个粒子间的的最大距离为d。对每一粒子按照|xa-xb|/dm计算一个比值。其中x-是当前粒子到的距离。而选择阈值fr根据迭代次数而变化。当另一粒子满足|xa-x|dmrc时，认为b成为当前粒子的邻域。 这种办法经过实验，取得较好的应用效果,但是由于要计算所有粒子之间的距离,计算量大，且需要很大的存储空间，所以，该方法一般不经常使用。粒子群算法（）-标准粒子群算法的实现标准粒子群算法的实现思想基本按照粒

6、子群算法（2）-标准的粒子群算法的讲述实现。主要分为3个函数。第一个函数为粒子群初始化函数Iitwar（SwamSie.AdapFc）其主要作用是初始化粒子群的粒子，并设定粒子的速度、位置在一定的范围内。本函数所采用的数据结构如下所示:表ParSwarm记录的是粒子的位置、速度与当前的适应度值,我们用W来表示位置,用来代表速度,用F来代表当前的适应度值。在这里我们假设粒子个数为，每个粒子的维数为D。W1,1W1,2.W,V1,1V,2V1，-1V1,DF第1个粒子W，12,2.W,DV2，1V，2V2，12，D2第2个粒子.N-1,1,2W-1,D1V-,V-，2VN,D-1V-，FN-1第-

7、1个粒子WN，1WN，2.N，DVN,1N,2VN,D-VN，DF第个粒子表tSwarm记录每个粒子的历史最优解（粒子历史最好的适应度）以及全部粒子搜索到的全局最优解。用Wg代表全局最优解，W,1代表每个粒子的历史最优解。粒子群初始化阶段表OptSrm的前N行与表Parwarm中的相同，而g的值为表PrSwarm中适应度值的最大值对应的行。Wj,1Wj,2Wj,D-1j,D第1个粒子的历史最优解Wk,1k,2Wk,D-Wk,第2个粒子的历史最优解.W,1Wl，l，-1Wl,D第N-个粒子的历史最优解Wm，1Wm，2W，D-1m，D第N个粒子的历史最优解g,1g,2W,-1W,全局粒子的历史最优

8、解根据这样的思想MTLAB代码如下:funtn PaSarm,Optrm=Initwarm（warmize,ParticleSize,PticleScope,daptFunc）%功能描述：初始化粒子群,限定粒子群的位置以及速度在指定的范围内%PaSwam,OptSwam，adSrm=IntSwar（wamSie,articleSize,articleScop,AdpFun）%输入参数：SwarmSze:种群大小的个数%输入参数:ParcSe:一个粒子的维数PatcleSope:一个粒子在运算中各维的范围;% rticeSc格式： 3维粒子的PartcleS格式：% x1Min,x1Max% x

9、in,xMax x3M,x3MxapFuc：适应度函数%输出：wa初始化的粒子群OSwarm粒子群当前最优解与全局最优解%用法ParSwr，OptSam,BadSwarmInitSwam（SwrmSize,articleSe,PartcleScope,AdapFnc）;%异常:首先保证该文件在alab的搜索路径中,然后查看相关的提示信息。%编制人：XXX编制时间：2007.3.26参考文献：无%容错控制if nargi=4 erro（输入的参数个数错误。）efnargou2 eror（输出的参数的个数太少,不能保证以后的运行。）;ndo，colu=size（PrticlSz）;i row1|c

10、om1 erro（输入的粒子的维数错误,是一个1行1列的数据。endrow，oumsie（PricScop）;if row=articleze|cum erro（输入的粒子的维数范围错误。初始化粒子群矩阵%初始化粒子群矩阵，全部设为0-1随机数rand（tte，0）;PrSwra（SwarmSize,*Partileze+1）;%对粒子群中位置,速度的范围进行调节for k=1：PrtilSize ParSwrm（:,k）PrSarm（:，k）*（Prticlec（k，2）-ParticlScp（k,）+PaticeScpe（k,1）； 调节速度,使速度与位置的范围一致 PrSwar（:,ar

11、icleSi+k）=ParSwarm（:,PaticleSi）*（PartileScpe（k，2）rticlcoe（k,）+PaticleScop（k,1）； 对每一个粒子计算其适应度函数的值for 1:Samize arwar（k,2articleSize+）=dptunc（ParSarm（k,:PrieSi）;%初始化粒子群最优解矩阵tSarmzeros（SwarmSie+1,Particlze）；%粒子群最优解矩阵全部设为零axl,row=max（arSwa（:,2*Particleize+1）;%寻找适应度函数值最大的解在矩阵中的位置（行数）twarm=PSar（:SwarmSze,1

12、：PrtcleSize）；OptSwarm（SwrmSize+1，:）=PrSwr（row,1:arlSize）；下面的函数BaseStepso实现了标准全局版粒子群算法的单步更新位置速度的功能fncti ParSarm,OptSwarm=BasetePso（awarm,wam,AdapFunc,PatileScpe,MinW,Looont，CurCount）全局版本：基本的粒子群算法的单步更新位置,速度的算法%PSwam,ptSwarm=BeStpPso（ParSarm，OptSwr,ApFunc,ParicleSop,ax,nW,ooCoun，CrCount）Parwar:粒子群矩阵,包含

13、粒子的位置,速度与当前的目标函数值OtSwarm：包含粒子群个体最优解与全局最优解的矩阵PartcScoe：一个粒子在运算中各维的范围；AdaptFnc:LopCoun:迭代的总次数uoun：当前迭代的次数返回值：含意同输入的同名参数%用法:PrSwarm,Otwam=BaeStepPo（Prwarm,OptSar,AaptFuc,PariclSoe,axW,MinW,ooCunt，CurCoun）%异常：首先保证该文件在Matl的搜索路径中，然后查看相关的提示信息。%编制人:XX%编制时间:%参考文献:XX修改记录%-%2007327%修改人：XX% 添加2*unirnd（0,）.*SuTr

14、t1（row,:）中的unif（0,1）随机数，使性能大为提高%参照基于TLA的粒子群优化算法程序设计% 总体评价:使用这个版本的调节系数，效果比较好f ngin= erro（输入的参数个数错误。ifrout=2 eror（输出的个数太少，不能保证循环迭代。开始单步更新的操作*%*更改下面的代码,可以更改惯性因子的变化*%-%线形递减策略wMxWuCunt（MaW-i）/LoopCunt）;%-%w固定不变策略w=;%-%参考文献：陈贵敏，贾建援，韩琪,粒子群优化算法的惯性权值递减策略研究,西安交通大学学报,006,1%w非线形递减,以凹函数递减%w=（Max-MinW）（CurCuntLoo

15、pCoun）2+（in-MaxW）*（*urCountLopount）+MxW；%-w非线形递减，以凹函数递减w=Min（MaxW/MinW）（/（1+10CrCont/LopCunt）;%*更改上面的代码,可以更改惯性因子的变化*%*%得到粒子群群体大小以及一个粒子维数的信息PaRow,Pol=iz（ParSwam）;%得到粒子的维数aCo=（arCol）/2;ubTrct=Otwarm（1：ParRow,:）-PrSw（:,1:ParCo）;%*%*更改下面的代码,可以更改c1，c2的变化*c1=2;c=;%-%co=1;14-ep（-on*bs（ean（PaSwam（：,*PaCol+1

16、）-Adaptunc（OptSar（arRw+,:）；%c2=4-c1;%-*更改上面的代码，可以更改1,c2的变化*%*or ow1:ParRow Subat2=Otwar（ParRow+,:）-Parwar（w,1: TepV=.ParSwarm（row,PaCol+1:2*aro）+2*unifrd（,1）Sbrac1（row,：）+2*unifr（0,1）.*uTac2; %限制速度的代码 for h=:Par i TeV（：,）PaeScope（h,2） mV（:,）=PariceScope（h,2）; end if pV（:,h）ParticleScoe（h,2） Tmo（:，h）

17、=PticleScoe（h，2）; end i TepPos（:=Prilecop（h，） Tempos（:，h）=PriceSoe（h,1）+1e-10; d e %更新位置 Swarm（rw,:PrCl）=TempPo; %计算每个粒子的新的适应度值 Pawarm（ro,*ParCol+）AdaFunc（ParSwrm（ow,1:ParCol）; f rSwar（o,2*Paro+）daunc（ptwarm（rw,：Parol） OpSwrm（ro,1:Parl）=rSwarm（row，:ParCol）; d%for循环结束寻找适应度函数值最大的解在矩阵中的位置（行数），进行全局最优的改变 maxVal,row=max（PrSarm（:，2*PrCl1）;f Aptc（aSwar（ro，1:arCol）AdaptFnc（OpSwrm（ParRw+1，:） OptSwam（Paro+,:）=ParSwarm（row，:Pro）;End这两个函数给出以后，需要一个函数来把这两个函数组装起来,以此实现一个完整的粒子群算法,这个函数就是soProcess 代码如下：unctonResult,nie,OffLi,MinaMeanpt=PsProces（SwmSi,PaticleSie,ParticleScope,nitFun,tepF