用MATLAB编写PSO算法及实例.docx
《用MATLAB编写PSO算法及实例.docx》由会员分享,可在线阅读,更多相关《用MATLAB编写PSO算法及实例.docx(7页珍藏版)》请在冰点文库上搜索。
用MATLAB编写PSO算法及实例
1.1粒子群算法
PSO从这种模型中得到启示并用于解决优化问题。
PSO中,每个优化问题的潜在解都是搜索空间中的一只鸟,称之为粒子。
所有的粒子都有一个由被优化的函数决定的适值(fitnessvalue),每个粒子还有一个速度决定它们飞翔的方向和距离。
然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解。
在每一次迭代中,粒子通过跟踪两个极值来更新自己;第一个就是粒子本身所找到的最优解,这个解称为个体极值;另一个极值是整个种群目前找到的最优解,这个极值是全局极值。
另外也可以不用整个种群而只是用其中一部分作为粒子的邻居,那么在所有邻居中的极值就是局部极值。
假设在一个维的目标搜索空间中,有个粒子组成一个群落,其中第个粒子表示为一个维的向量
,。
第个粒子的“飞行”速度也是一个维的向量,记为
,。
第个粒子迄今为止搜索到的最优位置称为个体极值,记为
,。
整个粒子群迄今为止搜索到的最优位置为全局极值,记为
在找到这两个最优值时,粒子根据如下的公式(1.1)和(1.2)来更新自己的速度和位置:
(1.1)
(1.2)
其中:
和为学习因子,也称加速常数(accelerationconstant),和为[0,1]范围内的均匀随机数。
式(1.1)右边由三部分组成,第一部分为“惯性(inertia)”或“动量(momentum)”部分,反映了粒子的运动“习惯(habit)”,代表粒子有维持自己先前速度的趋势;第二部分为“认知(cognition)”部分,反映了粒子对自身历史经验的记忆(memory)或回忆(remembrance),代表粒子有向自身历史最佳位置逼近的趋势;第三部分为“社会(social)”部分,反映了粒子间协同合作与知识共享的群体历史经验。
二、算法设计
2.1算法流程图
2.2算法实现
算法的流程如下:
①初始化粒子群,包括群体规模,每个粒子的位置和速度
②计算每个粒子的适应度值;%它的适应度就是指目标函数的值。
一般来说,目标函数的选择由具体问题来决定,假如是背包问题,适应度即放入包中物体的总价格。
初始粒子位置和速度的位置一般随机产生。
但是在某些领域,如果已有其他的算法可以产生可行解的话,可以用这个可行解来初始化,这样更容易得到最优的解
③对每个粒子,用它的适应度值和个体极值比较,如果,则用替换掉;
④对每个粒子,用它的适应度值和全局极值比较,如果则用替;
⑤根据公式(1.1),(1.2)更新粒子的速度和位置;
⑥如果满足结束条件(误差足够好或到达最大循环次数)退出,否则返回②。
2.3参数选择
本算法中主要的参数变量为(惯性权值),,(加速因子),N(种群数),M(迭代次数),D(粒子维数)。
(1)种群规模
通常,种群太小则不能提供足够的采样点,以致算法性能很差;种群太大尽管可以增加优化信息,阻止早熟收敛的发生,但无疑会增加计算量,造成收敛时间太长,表现为收敛速度缓慢。
种群规模一般设为100~1000。
本文选择种群规模为100。
(2)最大迭代次数
迭代次数越多能保证解的收敛性,但是影响运算速度,本文选1000次。
(3)惯性权值
惯性权重表示在多大程度上保留原来的速度。
较大,全局收敛能力强,局部收敛能力弱;较小,局部收敛能力强,全局收敛能力弱。
本文选0.6。
(4)加速因子
加速常数和分别用于控制粒子指向自身或邻域最佳位置的运动。
文献[20]建议,并通常取。
本文也取。
(5)粒子维数
本文中粒子维数取决于待优化函数的维数。
需要说明的是,本文的程序允许改变这些参数,因为本文编写的程序参照matlab工具箱,留给用户解决这类问题一个接口函数,上述的各个参数正是接口函数的参数,因此允许改变。
另外对于和c也可采用变参数法,即随迭代次数增加,利用经验公式使它们动态调整,本文采用固定值。
3.1求三维函数f=x
(1).^2+x
(2).^2+x(3).^2的最小值
步骤:
1.初始化x,v;2.求出每个粒子的适应值;3.初始化pb,pg个体最优和全局最优;4.根据式子更新x,v;5.是否满足条件,满足跳出循环,否则重复2-4步
尝试编码:
(1)pso.m文件
%此算法是PSO算法,汪汪的20161024号版本
function[xm,fv]=PSO(fitness,N,c1,c2,w,M,D)
%{
xm,fv算法最后得到的最优解时的x及最优解,fitness为适应度,即要优化的目标函数,
N为种群数量,c1,c2为学习因子,w为惯性权重,M为迭代次数,D为粒子的维数
%}
formatlong;
%初始化种群
fori=1:
N
forj=1:
D
x(i,j)=randn;%随机初始化位置
v(i,j)=randn;%随机初始化速度
end
end
%先计算各个粒子的适应度pi,并初始化y-粒子个体极值,pg-全局极值
fori=1:
N
p(i)=fitness(x(i,:
));%适应度问题:
将x(i,:
)改成x(i,j)是否可以,答不能
y(i,:
)=x(i,:
);%个体极值
end
pg=x(N,:
);%初始化全局极值/最优
fori=1:
N-1
iffitness(x(i,:
))pg=x(i,:
);%替换并选出全局极值
end
end
%进入粒子群算法主要循环,更新v及x
fort=1:
M
fori=1:
N
v(i,:
)=w*v(i,:
)+c1*rand*(y(1,:
)-x(1,:
))+c2*rand*(pg-x(i,:
));
x(i,:
)=x(i,:
)+v(i,:
);
iffitness(x(i,:
))
p(i)=fitness(x(i,:
));
y(i,:
)=x(i,:
);
end
ifp(i)pg=y(i,:
);
end
end
pbest(t)=fitness(pg);%M次迭代后最优解
end
xm=pg';%为何要共轭转置?
fv=fitness(pg);
(2)目标函数fitness.m文件
functionf=fitness(x)
f=x
(1).^2+x
(2).^2+x(3).^2;
end
需要说明的是,针对不同的函数优化,只需要改变目标函数就可以。
(3)在命令行输入或建立调用m文件
在命令行先后输入[xm,fv]=PSO(@fitness,100,2,2,0.6,1000,3),或建立包涵该语句的m文件,运行即可得到结果。
四、结果与分析
xm=1.0e-04*
-0.285730140229565
0.676783696397148
-0.250529540096653
fv=
6.024429352056337e-09
fv是最优值,xm为最优值对应的自变量值。
3.2高斯函数
[xy]=meshgrid(-100:
100,-100:
100);%生成xy坐标系且选取范围
sigma=50;%高斯函数中的sigma为50
img=(1/(2*pi*sigma^2))*exp(-(x.^2+y.^2)/(2*sigma^2));
%目标函数,高斯函数
mesh(img);%三维画图
holdon;