粒子群优化算法PSO及matlab实现

算法学习自：MATLAB与机器学习教学视频

1、粒子群优化算法概述

粒子群优化（PSO, particle swarm optimization）算法是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法，该算法最早由Kennedy和Eberhart在1995年提出的，该算法源自对鸟类捕食问题的研究。
　　• PSO算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。
　　• 粒子在解空间中运动，通过跟踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计 算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。
　　• 粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体 极值Pbest和群体极值Gbest位置。

在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置，更新公式 如下：

　　　　　　　

　　　　　　

2、粒子群优化算法与遗传算法对比

• 相同点：
　　种群随机初始化
　　适应度函数值与目标最优解之间的映射
• 不同点：
　　PSO算法没有选择、交叉、变异等操作算子
　　PSO有记忆的功能
　　信息共享机制不同，遗传算法是互相共享信息，整个种群的移动是比较均匀地向最优区域移动，而在PSO中，只 有gBest或lBest给出信息给其他粒子，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的过程。因此， 在一般情况下，PSO的收敛速度更快。

3、案例分析

①一元函数优化

　　在该例中，想要优化的一元函数为，当x范围在[1,2]，寻找它的极大值。

matlab代码如下：

 1 %% I. 清空环境
 2 clc
 3 clear all
 4
 5 %% II. 绘制目标函数曲线图
 6 x = 1:0.01:2;
 7 y = sin(10*pi*x) ./ x;
 8 figure
 9 plot(x, y)
10 hold on
11
12 %% III. 参数初始化
13 c1 = 1.49445;
14 c2 = 1.49445;
15
16 maxgen = 50;   % 进化次数
17 sizepop = 10;   %种群规模
18
19 Vmax = 0.5;
20 Vmin = -0.5;
21 popmax = 2;
22 popmin = 1;
23
24 %% IV. 产生初始粒子和速度
25 for i = 1:sizepop
26     % 随机产生一个种群
27     pop(i,:) = (rands(1) + 1) / 2 + 1;    %初始种群
28     V(i,:) = 0.5 * rands(1);  %初始化速度
29     % 计算适应度
30     fitness(i) = fun(pop(i,:));
31 end
32
33 %% V. 个体极值和群体极值
34 [bestfitness, bestindex] = max(fitness);
35 zbest = pop(bestindex,:);   %全局最佳
36 gbest = pop;    %个体最佳
37 fitnessgbest = fitness;   %个体最佳适应度值
38 fitnesszbest = bestfitness;   %全局最佳适应度值
39
40 %% VI. 迭代寻优
41 for i = 1:maxgen
42
43     for j = 1:sizepop
44         % 速度更新
45         V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
46         V(j,V(j,:)>Vmax) = Vmax;
47         V(j,V(j,:)<Vmin) = Vmin;
48
49         % 种群更新
50         pop(j,:) = pop(j,:) + V(j,:);
51         pop(j,pop(j,:)>popmax) = popmax;
52         pop(j,pop(j,:)<popmin) = popmin;
53
54         % 适应度值更新
55         fitness(j) = fun(pop(j,:));
56     end
57
58     for j = 1:sizepop
59         % 个体最优更新
60         if fitness(j) > fitnessgbest(j)
61             gbest(j,:) = pop(j,:);
62             fitnessgbest(j) = fitness(j);
63         end
64
65         % 群体最优更新
66         if fitness(j) > fitnesszbest
67             zbest = pop(j,:);
68             fitnesszbest = fitness(j);
69         end
70     end
71     yy(i) = fitnesszbest;
72 end
73
74 %% VII. 输出结果并绘图
75 [fitnesszbest zbest];
76 plot(zbest, fitnesszbest,‘r*‘)
77
78 figure
79 plot(yy)
80 title(‘最优个体适应度‘,‘fontsize‘,12);
81 xlabel(‘进化代数‘,‘fontsize‘,12);ylabel(‘适应度‘,‘fontsize‘,12);

main.m

1 function y = fun(x)
2 % 函数用于计算粒子适应度值
3 %x           input           输入粒子
4 %y           output          粒子适应度值
5 y = sin(10 * pi * x) / x;

fun.m

结果图示：

 

2、二元函数优化

　　在该例中，想要优化的二元函数为，当x和y范围都在[-5,5]，寻找它的极大值。

matlab代码如下：

1 function y = fun(x)
2 %函数用于计算粒子适应度值
3 %x           input           输入粒子
4 %y           output          粒子适应度值
5 y = x(1).^2 + x(2).^2 - 10*cos(2*pi*x(1)) - 10*cos(2*pi*x(2)) + 20;

fun.m

 1 %% I. 清空环境
 2 clc
 3 clear
 4
 5 %% II. 绘制目标函数曲线
 6 figure
 7 [x,y] = meshgrid(-5:0.1:5,-5:0.1:5);
 8 z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20;
 9 mesh(x,y,z)
10 hold on
11
12 %% III. 参数初始化
13 c1 = 1.49445;
14 c2 = 1.49445;
15
16 maxgen = 1000;   % 进化次数
17 sizepop = 100;   %种群规模
18
19 Vmax = 1;
20 Vmin = -1;
21 popmax = 5;
22 popmin = -5;
23
24 %% IV. 产生初始粒子和速度
25 for i = 1:sizepop
26     % 随机产生一个种群
27     pop(i,:) = 5*rands(1,2);    %初始种群
28     V(i,:) = rands(1,2);  %初始化速度
29     % 计算适应度
30     fitness(i) = fun(pop(i,:));   %染色体的适应度
31 end
32
33 %% V. 个体极值和群体极值
34 [bestfitness bestindex] = max(fitness);
35 zbest = pop(bestindex,:);   %全局最佳
36 gbest = pop;    %个体最佳
37 fitnessgbest = fitness;   %个体最佳适应度值
38 fitnesszbest = bestfitness;   %全局最佳适应度值
39
40 %% VI. 迭代寻优
41 for i = 1:maxgen
42
43     for j = 1:sizepop
44         % 速度更新
45         V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
46         V(j,find(V(j,:)>Vmax)) = Vmax;
47         V(j,find(V(j,:)<Vmin)) = Vmin;
48
49         % 种群更新
50         pop(j,:) = pop(j,:) + V(j,:);
51         pop(j,find(pop(j,:)>popmax)) = popmax;
52         pop(j,find(pop(j,:)<popmin)) = popmin;
53
54         % 适应度值更新
55         fitness(j) = fun(pop(j,:));
56     end
57
58     for j = 1:sizepop
59         % 个体最优更新
60         if fitness(j) > fitnessgbest(j)
61             gbest(j,:) = pop(j,:);
62             fitnessgbest(j) = fitness(j);
63         end
64
65         % 群体最优更新
66         if fitness(j) > fitnesszbest
67             zbest = pop(j,:);
68             fitnesszbest = fitness(j);
69         end
70     end
71     yy(i) = fitnesszbest;
72 end
73 %% VII.输出结果
74 [fitnesszbest, zbest]
75 plot3(zbest(1), zbest(2), fitnesszbest,‘bo‘,‘linewidth‘,1.5)
76
77 figure
78 plot(yy)
79 title(‘最优个体适应度‘,‘fontsize‘,12);
80 xlabel(‘进化代数‘,‘fontsize‘,12);ylabel(‘适应度‘,‘fontsize‘,12);

main.m

结果图示：

   

4、速度更新权重W的选择

示例代码如下：

 1 ws = 0.9;
 2 we = 0.4;
 3 maxgen = 300;
 4 hold on;
 5
 6 for k = 1:maxgen
 7     w(k) = ws - (ws-we)*(k/maxgen);
 8 end
 9 plot(w,‘linewidth‘,1.5);
10
11 for k = 1:maxgen
12     w(k) = ws - (ws-we)*(k/maxgen)^2;
13 end
14 plot(w,‘r-.‘,‘linewidth‘,1.5);
15
16 for k = 1:maxgen
17     w(k) = ws - (ws-we)*(2*k/maxgen-(k/maxgen)^2);
18 end
19 plot(w,‘g:‘,‘linewidth‘,1.5);
20
21 for k = 1:maxgen
22     w(k) = we * (ws/we)^(1/(1+10*k/maxgen));
23 end
24 plot(w,‘y--‘,‘linewidth‘,1.5);
25
26 legend(‘Rule-1‘,‘Rule-2‘,‘Rule-3‘,‘Rule-4‘)
27 xlabel(‘迭代次数‘)
28 ylabel(‘速度更新权重W‘)

wchange.m

图示：

原文地址：https://www.cnblogs.com/GraceSkyer/p/8448348.html

时间： 2024-10-10 20:49:15

粒子群优化算法PSO及matlab实现的相关文章

粒子群优化算法(PSO)

1. 概念 粒子群优化算法(PSO:Particle swarm optimization) 是一种进化计算技术(evolutionary computation). 源于对鸟群捕食的行为研究.粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解． PSO的优势:在于简单容易实现并且没有许多参数的调节.目前已被广泛应用于函数优化.神经网络训练.模糊系统控制以及其他遗传算法的应用领域. 2. 算法 2.1 问题抽象 鸟被抽象为没有质量和体积的微粒(点),并延伸到N维空间,粒子

粒子群优化算法(PSO)找最优解

关于粒子群优化算法(PSO)的解释:http://blog.csdn.net/myarrow/article/details/51507671 (等网上各种参考资料) 用PSO找函数极值. function [ f ] = fun( x, y ) %UNTITLED2 此处显示有关此函数的摘要 % 此处显示详细说明 a = 50; b = 50; f = (x-a)^2 + (y-b)^2; end 构造了一个二元函数,很明显,有极小值,在(50, 50). 用五个粒子去找.每个点对应的函数输出

粒子群优化算法

2011-12-05 19:49:55 标签:群智能 休闲 蚁群优化 粒群优化 粒子群优化 原创作品,允许转载,转载时请务必以超链接形式标明文章 原始出处 .作者信息和本声明.否则将追究法律责任.http://nxlhero.blog.51cto.com/962631/734212 粒子群优化算法属于群智能(swarm intelligence)优化算法.群智能分两种,一种是粒群优化,另一种是蚁群优化. 群智能概念 假设你和你的朋友正在寻宝,每个人有个探测器,这个探测器可以知道宝藏到探测器的距离

粒子群优化算法简介

好好学数学. 一.问题来源 经朋友介绍,接了一份工作,就是做PSO及其优化,恰好我导师也研究这个,刚开学也有接触,那我就接了.......赚点生活费. 欢迎大家和我联系做算法类项目,QQ:791909235,Tel:13137910179. 二.背景介绍 2.1 人工生命 人工生命:研究具有某些生命基本特征的人 工系统.包括两方面的内容: 1.研究如何利用计算技术研究生物现象: 2. 研究如何利用生物技术研究计算问题. 我们关注的是第二点.已有很多源于生物现象的计算技巧,例如神经网络和遗传算法.

量子粒子群优化算法

参考文献: 量子行为粒子群优化算法研究[D] ,孙俊,博士论文2.4节. #include <iostream> #include <math.h> #include <time.h> using namespace std; #define M 50 //群体数目50 #define N 4 //每个粒子的维数4 //测试类 class TestFunction { public: double resen(double x1,double x2,double x3,

粒子群优化算法及其java实现

憋了两周终于把开题报告憋出来了,再一次证明自己不适合搞学术,哎--,花了点时间把报告中提到的粒子群算法看了看,看了些资料,用java跑起来. 算法简介 粒子群算法最先由Barnhart博士和Kennedy博士于1995 年提出,是一种源于对鸟群捕食行为的研究而发明的进化计算技术,原理是模仿鸟群寻觅食物的搜索过程,设想鸟群在一定区域搜寻食物,在不知道食物确切位置的情况下,鸟群依靠群体中个体判断距离食物的远近程度来调节飞行方向和飞行速度,最终通过群体的经验和自身记忆的智慧找到食物. 算法原理 算法描

粒子群优化算法-python实现

PSOIndividual.py 1 import numpy as np 2 import ObjFunction 3 import copy 4 5 6 class PSOIndividual: 7 8 ''' 9 individual of PSO 10 ''' 11 12 def __init__(self, vardim, bound): 13 ''' 14 vardim: dimension of variables 15 bound: boundaries of variables

粒子群优化算法解决场地资源布局问题-算法原型探讨

在面试的过程当中,在面试官提出问题的时候,往往会就问题本身引申出较深层次的问题.比如:你使用过with语句吗?我的回答是:with语句经常适用于对资源进行访问的场合,确保在访问的过程中不管是否发生异常都会指执行必要的清理操作,比如文件的自动关闭以及线程中锁的自动获取与释放.面试官紧接着问,那你知道为什么with语句能够使文件正确关闭,一下子把我问闷了,只能依稀记得with语句会开辟出一块独立环境来执行文件的访问,类似沙盒机制.面试官对这个答案不置可否,算是勉强通过了.所以知其然更要知其所以然.在

基本粒子群优化算法（PSO）的matlab实现

粒子群优化算法是一种模拟鸟群社会行为的群体搜素算法.它分为全局最佳粒子优化和局部最佳粒子优化,对于全局最佳PSO,或者叫做gbest PSO,每个粒子的邻域都是整个群,其算法伪代码如下: 创建并初始化一个n维的粒子群 repeat for 每个粒子i=1,2,-n do //设置个体最佳位置 if f(i)<y then y=f(i); end //设置全局最佳位置 if y<Y then Y=y; end end for 每个粒子i=1,2,-n do 用速度方程更新速度 用位置方程更新位置