粒子群群算法详解

一.产生背景

?粒子群算法(particleswarm optimization,PSO)由Kennedy和Eberhart在1995年提出,该算法对于Hepper的模拟鸟群(鱼群)的模型进行修正,以使粒子能够飞向解空间,并在最好解处降落,从而得到了粒子群优化算法。

?同遗传算法类似,也是一种基于群体叠代的,但并没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。

?PSO的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景,既适合科学研究,又特别适合工程应用。

设想这样一个场景:一群鸟在随机的搜索食物。在这个区域里只有一块食物,所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。

那么找到食物的最优策略是什么?

最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

二.算法介绍

(1)简述

?每个寻优的问题解都被想像成一只鸟,称为“粒子”。所有粒子都在一个D维空间进行搜索。

?所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。

?每一个粒子必须赋予记忆功能,能记住所搜寻到的最佳位置。

?每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。

(2)基本PSO算法

a.  D维空间中,有m个粒子;

粒子i位置:xi=(xi1,xi2,…xiD)

粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D

粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)

群体内(或领域内)所有粒子所经历过的最好位置:

pg =(pg1,pg2,…pgD)

PS:一般来说,粒子的位置和速度都是在连续的实数空间内进行取值。

b.基本PSO公式

(3)基本PSO算法流程图

关于每个粒子的更新速度和位置的公式如下:

三.简单应用

(1)?编码:因为问题的维数为5,所以每个粒子为5维的实数向量。

(2)?初始化范围:根据问题要求,设定为[-30,30]。根据前面的参数分析,我们知道,可以将最大速度设定为Vmax=60。

(3)?种群大小:为了说明方便,这里采用一个较小的种群规模,m=5。

(4)?停止准则:设定为最大迭代次数100次。

(5)?惯性权重:采用固定权重0.5。

(6)邻域拓扑结构:使用星形拓扑结构,即全局版本的粒子群优化算法

算法执行的过程如下:

四.代码实现:运用粒子群算法解决TSP问题

1.matlab实现

close all;
clear all;

PopSize=500;%种群大小
CityNum = 14;%城市数

OldBestFitness=0;%旧的最优适应度值

Iteration=0;%迭代次数
MaxIteration =2000;%最大迭代次数
IsStop=0;%程序停止标志
Num=0;%取得相同适应度值的迭代次数

c1=0.5;%认知系数
c2=0.7;%社会学习系数
w=0.96-Iteration/MaxIteration;%惯性系数,随迭代次数增加而递减

%节点坐标
node=[16.47 96.10; 16.47 94.44; 20.09 92.54; 22.39 93.37; 25.23 97.24;...
     22.00 96.05; 20.47 97.02; 17.20 96.29; 16.30 97.38; 14.05 98.12;...
     16.53 97.38; 21.52 95.59; 19.41 97.13; 20.09 94.55];

%初始化各粒子,即产生路径种群
Group=ones(CityNum,PopSize);
for i=1:PopSize
    Group(:,i)=randperm(CityNum)‘;
end
Group=Arrange(Group);

%初始化粒子速度(即交换序)
Velocity =zeros(CityNum,PopSize);
for i=1:PopSize
    Velocity(:,i)=round(rand(1,CityNum)‘*CityNum); %round取整
end

%计算每个城市之间的距离
CityBetweenDistance=zeros(CityNum,CityNum);
for i=1:CityNum
    for j=1:CityNum
        CityBetweenDistance(i,j)=sqrt((node(i,1)-node(j,1))^2+(node(i,2)-node(j,2))^2);
    end
end

%计算每条路径的距离
for i=1:PopSize
        EachPathDis(i) = PathDistance(Group(:,i)‘,CityBetweenDistance);
end

IndivdualBest=Group;%记录各粒子的个体极值点位置,即个体找到的最短路径
IndivdualBestFitness=EachPathDis;%记录最佳适应度值,即个体找到的最短路径的长度
[GlobalBestFitness,index]=min(EachPathDis);%找出全局最优值和相应序号 

%初始随机解
figure;
subplot(2,2,1);
PathPlot(node,CityNum,index,IndivdualBest);
title(‘随机解‘);

%寻优
while(IsStop == 0) & (Iteration < MaxIteration)
    %迭代次数递增
    Iteration = Iteration +1;  

    %更新全局极值点位置,这里指路径
    for i=1:PopSize
        GlobalBest(:,i) = Group(:,index);

    end

    %求pij-xij ,pgj-xij交换序,并以概率c1,c2的保留交换序
    pij_xij=GenerateChangeNums(Group,IndivdualBest);
    pij_xij=HoldByOdds(pij_xij,c1);
    pgj_xij=GenerateChangeNums(Group,GlobalBest);
    pgj_xij=HoldByOdds(pgj_xij,c2);

    %以概率w保留上一代交换序
    Velocity=HoldByOdds(Velocity,w);

    Group = PathExchange(Group,Velocity); %根据交换序进行路径交换
    Group = PathExchange(Group,pij_xij);
    Group = PathExchange(Group,pgj_xij);
    for i = 1:PopSize    % 更新各路径总距离
          EachPathDis(i) = PathDistance(Group(:,i)‘,CityBetweenDistance);

    end

    IsChange = EachPathDis<IndivdualBestFitness;%更新后的距离优于更新前的,记录序号
    IndivdualBest(:, find(IsChange)) = Group(:, find(IsChange));%更新个体最佳路径
    IndivdualBestFitness = IndivdualBestFitness.*( ~IsChange) + EachPathDis.*IsChange;%更新个体最佳路径距离
    [GlobalBestFitness, index] = min(EachPathDis);%更新全局最佳路径,记录相应的序号

    if GlobalBestFitness==OldBestFitness %比较更新前和更新后的适应度值;
        Num=Num+1; %相等时记录加一;
    else
        OldBestFitness=GlobalBestFitness;%不相等时更新适应度值,并记录清零;
        Num=0;
    end
    if Num >= 20 %多次迭代的适应度值相近时程序停止
        IsStop=1;
    end

     BestFitness(Iteration) =GlobalBestFitness;%每一代的最优适应度

end

%最优解
subplot(2,2,2);
PathPlot(node,CityNum,index,IndivdualBest);
title(‘优化解‘);
%进化曲线
subplot(2,2,3);
plot((1:Iteration),BestFitness(1:Iteration));
grid on;
title(‘进化曲线‘);
%最小路径值
GlobalBestFitness

运行结果如下:

2.java 实现

package pso;
import java.awt.*;
import java.awt.event.*;
import java.io.ByteArrayInputStream;
import java.io.InputStream;

import javax.swing.*;
import javax.swing.event.*;
public class Pso extends Frame implements Runnable
{
    private static int particleNumber;  //粒子的数量
    private static int iterations;      //迭代的次数
    private static int k=1;             //记录迭代的次数
    final private static float C1=2;    //学习因子
    final private static float C2=2;
    final private static float WMIN=-200;
    final private static float WMAX=200;
    final private static float VMAX=200;
    private static float r1;           //随机数0-1之间
    private static float r2;
    private static float x[][];
    private static float v[][];
    private static float xpbest[][];
    private static float pbest[];
    private static float gbest=0;
    private static float xgbest[];
    private static float w;           //惯性因子
    private static float s;
    private static float h;
    private static float fit[];
    public Sounds sound;

    //粒子群的迭代函数
public void lzqjs()
{

		w=(float)(0.9-k*(0.9-0.4)/iterations);
        for(int i=0;i<particleNumber;i++)
        {
                   fit[i]= (float)(1/(Math.pow(x[i][0],2)+Math.pow(x[i][1],2))); //求适值函数最大值
                   System.out.print("粒子"+i+"本次适应值函数f为:" + fit[i]);
                   System.out.println();
                   if(fit[i]>pbest[i])
                   {
                   	pbest[i]=fit[i];
                   	xpbest[i][0]=x[i][0];
                   	xpbest[i][1]=x[i][1];
                   }
                   if(pbest[i]>gbest)
                   {
                   	gbest=pbest[i];
                   	xgbest[0]=xpbest[i][0];
                   	xgbest[1]=xpbest[i][1];
                   }
         }
         for(int i=0;i<particleNumber;i++)
         {
                   for(int j=0;j<2;j++)
                   {
                	   //粒子速度和位置迭代方程:
                   	v[i][j]=(float)(w*v[i][j]+C1*Math.random()*(xpbest[i][j]-x[i][j])+C2*Math.random()*(xgbest[j]-x[i][j]));

                   	x[i][j]=(float)(x[i][j]+v[i][j]);

                   }
               	System.out.print("粒子"+i+"本次X1的速度变化幅度:"+v[i][0]+";本次X2的速度变化幅度:"+v[i][1]);
                System.out.println();
            	System.out.print("粒子"+i+"本次X1为:"+x[i][0]+";本次X2为:"+x[i][1]);
                System.out.println();
         }
}
	public static void main(String[] args)
	{

		particleNumber=Integer.parseInt(JOptionPane.showInputDialog("请输入粒子个数1-500)"));
		iterations=Integer.parseInt(JOptionPane.showInputDialog("请输入迭代次数"));
		x=new float [particleNumber][2];
		v=new float [particleNumber][2];
		fit=new float [particleNumber];    //存储适值函数值
		pbest=new float [particleNumber];  //存储整个粒子群的最有位置
		xpbest=new float [particleNumber][2];
		xgbest=new float [2];
		for(int i=0;i<particleNumber;i++)
		{

			//对数组的初始化操作
			pbest[i]=0;
			xpbest[i][0]=0;
			xpbest[i][1]=0;
		}
		xgbest[0]=0;
		xgbest[1]=0;
		 System.out.println("开始初始化:");
		for(int i=0;i<particleNumber;i++)
		{

			for(int j=0;j<2;j++)
			{
				//任意给定每个位置一定的位置值和速度值
				x[i][j]=(float)(WMAX*Math.random()+WMIN);
				v[i][j]=(float)(VMAX*Math.random());
			}
			System.out.print("粒子"+i+"本次X1的变化幅度:"+v[i][0]+";本次X2的变化幅度:"+v[i][1]);
		 	 System.out.println();
		 	System.out.print("粒子"+i+"本次X1为:"+x[i][0]+";本次X2为:"+x[i][1]);
			 System.out.println();
		}
		System.out.println("初始化数据结束,开始迭代.....");
	Pso threada=new Pso();
	threada.setTitle("基于粒子群的粒子位置动态显示");
	threada.setSize(800,800);
	threada.addWindowListener(new gbck());
	threada.setVisible(true);
        Thread threadc=new Thread(threada);
        threadc.start();
	}
	static class gbck extends WindowAdapter
	{
		public void windowClosing(WindowEvent e)
		{
			System.exit(0);
		}
	}

	//开启的额外线程用于声音的播放
	public void run()
	{

		repaint();

        for(int i=0;i<iterations;i++){
        	sound();
        }
	}
	public void paint(Graphics g)
	{

		   g.setColor(new Color(0,0,0));
	       for(int i=0;i<particleNumber;i++)
	       {
	       	g.drawString("*",(int)(x[i][0]+200),(int)(x[i][1]+200));
	       }
	       g.setColor(new Color(255,0,0));
	       g.drawString("全局最优适应度函数值:"+gbest+"      参数1:"+xgbest[0]+"     参数2:"+xgbest[1]+"    迭代次数:"+ k,50,725);

    try
	{
	lzqjs();  //开始迭代

	if(k>=iterations)
	{

		Thread.sleep((int)(5000));
		System.exit(0);
	}
	k=k+1;  //每次迭代一次加1操作
	Thread.sleep((int)(1000));
	}
    catch(InterruptedException e)
    {
		 System.out.println(e.toString());
    }
    repaint();
	}
	public  void sound(){
		  sound =new Sounds("050.wav");
		  InputStream stream =new ByteArrayInputStream(sound.getSamples());
		  // play the sound
		  sound.play(stream);
		  // exit

	}
}

运行的结果如下:

算法代码地址:http://download.csdn.net/detail/u012017783/9700118(Matlab ,java两个版本)

时间: 2024-12-23 22:42:50

粒子群群算法详解的相关文章

EM算法(3):EM算法详解

目录 EM算法(1):K-means 算法 EM算法(2):GMM训练算法 EM算法(3):EM算法详解

[转] KMP算法详解

转载自:http://www.matrix67.com/blog/archives/115 KMP算法详解 如果机房马上要关门了,或者你急着要和MM约会,请直接跳到第六个自然段.    我们这里说的KMP不是拿来放电影的(虽然我很喜欢这个软件),而是一种算法.KMP算法是拿来处理字符串匹配的.换句话说,给你两个字符串,你需要回答,B串是否是A串的子串(A串是否包含B串).比如,字符串A="I'm matrix67",字符串B="matrix",我们就说B是A的子串.

[搜索]波特词干(Porter Streamming)提取算法详解(3)

 接上 [搜索]波特词干(Porter Streamming)提取算法详解(2) 下面分为5大步骤来使用前面提到的替换条件来进行词干提取. 左边是规则,右边是提取成功或者失败的例子(用小写字母表示). 步骤1 SSES -> SS                   caresses  ->  caress IES  -> I                          ponies    ->  poni ties      ->  ti SS   -> S

KMP算法详解(图示+代码)

算法过程非常绕,不要企图一次就能看明白,多尝试就会明白一些.下面试图用比较直观的方法解释这个算法,对KMP算法的解释如下: 1. 首先,字符串"BBC ABCDAB ABCDABCDABDE"的第一个字符与搜索词"ABCDABD"的第一个字符,进行比较.因为B与A不匹配,所以搜索词后移一位. 2. 因为B与A不匹配,搜索词再往后移. 3. 就这样,直到字符串有一个字符,与搜索词的第一个字符相同为止. 4. 接着比较字符串和搜索词的下一个字符,还是相同. 5. 直到字

安全体系(三)——SHA1算法详解

本文主要讲述使用SHA1算法计算信息摘要的过程. 安全体系(零)—— 加解密算法.消息摘要.消息认证技术.数字签名与公钥证书 安全体系(一)—— DES算法详解 安全体系(二)——RSA算法详解 为保证传输信息的安全,除了对信息加密外,还需要对信息进行认证.认证的目的有两:一是验证信息的发送者是合法的,二是验证信息的完整性.Hash函数就是进行信息认证的一种有效手段. 1.Hash函数和消息完整性 Hash函数也称为杂凑函数或散列函数,函数输入为一可变长度x,输出为一固定长度串,该串被称为输入x

php 二分查找法算法详解

一.概念:二分查找又称折半查找,优点是比较次数少,查找速度快,平均性能好:其缺点是要求待查表为有序表,且插入删除困难.因此,折半查找方法适用于不经常变动而查找频繁的有序列表.首先,假设表中元素是按升序排列,将表中间位置记录的关键字与查找关键字比较,如果两者相等,则查找成功:否则利用中间位置记录将表分成前.后两个子表,如果中间位置记录的关键字大于查找关键字,则进一步查找前一子表,否则进一步查找后一子表.重复以上过程,直到找到满足条件的记录,使查找成功,或直到子表不存在为止,此时查找不成功. 二.代

【转】AC算法详解

原文转自:http://blog.csdn.net/joylnwang/article/details/6793192 AC算法是Alfred V.Aho(<编译原理>(龙书)的作者),和Margaret J.Corasick于1974年提出(与KMP算法同年)的一个经典的多模式匹配算法,可以保证对于给定的长度为n的文本,和模式集合P{p1,p2,...pm},在O(n)时间复杂度内,找到文本中的所有目标模式,而与模式集合的规模m无关.正如KMP算法在单模式匹配方面的突出贡献一样,AC算法对于

支持向量机(SVM)(五)-- SMO算法详解

一.我们先回顾下SVM问题. A.线性可分问题 1.SVM基本原理: SVM使用一种非线性映射,把原训练            数据映射到较高的维.在新的维上,搜索最佳分离超平面,两个类的数据总可以被超平面分开. 2.问题的提出: 3.如何选取最优的划分直线f(x)呢? 4.求解:凸二次规划 建立拉格朗日函数: 求偏导数: B.线性不可分问题 1.核函数 如下图:横轴上端点a和b之间红色部分里的所有点定为正类,两边的黑色部分里的点定为负类. 设: g(x)转化为f(y)=<a,y> g(x)=

Manacher算法详解

[转] Manacher算法详解 转载自: http://blog.csdn.net/dyx404514/article/details/42061017 Manacher算法 算法总结第三弹 manacher算法,前面讲了两个字符串相算法——kmp和拓展kmp,这次来还是来总结一个字符串算法,manacher算法,我习惯叫他 “马拉车”算法. 相对于前面介绍的两个算法,Manacher算法的应用范围要狭窄得多,但是它的思想和拓展kmp算法有很多共通支出,所以在这里介绍一下.Manacher算法