二维粒子群算法的matlab源程序

%function [pso F] = pso_2D()

% FUNCTION PSO --------USE Particle Swarm Optimization Algorithm % global present; % close all; clc; clear all;

pop_size = 10; % pop_size 种群大小 ///粒子数量 part_size = 2; % part_size 粒子大小 ///粒子的维数 gbest = zeros(1,part_size+1); % gbest 当前搜索到的最小的值 max_gen = 200; % max_gen 最大迭代次数

?st=zeros(part_size,pop_size*part_size);%xuan

region=zeros(part_size,2); % 设定搜索空间范围->解空间

region=10*[-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3]; % 每一维设定不同范围(称之为解空间，不是可行域空间）

rand('state',sum(100*clock)); % 重置随机数发生器状态

%当前种群的信息矩阵，逐代进化的群体 % 当前位置,随机初始化

% 一个10*3的随机的矩阵（初始化所有粒子的所有维数的位置值），其中最后一列为 arr_present = ini_pos(pop_size,part_size);

% 初始化当前速度

% 一个10*2的随机的矩阵（初始化所有粒子的所有维数的速度值） v=ini_v(pop_size,part_size);

%不是当前种群，可看作是一个外部的记忆体，存储每个粒子历史最优值（2维数值）：根据适应度更新！

%注意：pbest数组10*3 最后一列保存的是适应度

pbest = zeros(pop_size,part_size+1); % pbest：粒子以前搜索到的最优值，最后一列包括这些值的适应度

% 1*80 保存每代的最优值

best_record = zeros(part_size+1,max_gen); % best_record数组：记录每一代的最好的粒子的适应度

w_max = 0.9; % w_max权系数最大值 w_min = 0.2; % w_min权系数最小值 v_max = 2; % 最大速度,为粒子的范围宽度 c1 = 2; % 学习因子1 c2 = 2; % 学习因子2

% ———————————————————————— % 计算原始种群的适应度,及初始化

% ————————————————————————

% 注意：传入的第一个参数是当前的粒子群体 ，ini_fit函数计算每个粒子的适应度 % arr_present(:,end)是最后一列 ，保存每个粒子的适应值，是这样的！xuan arr_present(:,end)= ini_fit( arr_present, pop_size, part_size );

% 数组赋值，初始化每个粒子个体的历史最优值，以后会更新的 pbest = arr_present; % 初始化各个粒子最优值

% 找到当前群体中适应度最小的（在最后一列中寻找），best_value % 改为max，表示关联度最大

[best_value best_index] = max(arr_present(:,end)); %初始化全局最优，即适应度为全局最小的值，根据需要也可以选取为最大值

% 唯一的全局最优值，是当前代所有粒子中最好的一个 gbest = arr_present(best_index,:);

% 因为是多目标，因此这个----------------- % 只是示意性的画出3维的 %x=[-3:0.01:3]; %y=[-3:0.01:3]; %[X,Y]=meshgrid(x,y);

%Z1=(-10)*exp((-0.2)*sqrt(X^2+Y^2));

%Z2=(abs(X))^0.8+abs(Y)^0.8+5*sin(X^3)+5*sin(Y^3);

%z1=@(x,y)(-10)*exp((-0.2)*sqrt(x^2+y^2));

%z2=@(x,y)(abs(x))^0.8+abs(y)^0.8+5*sin(x^3)+5*sin(y^3); %ezmeshc(z1);grid on; %ezmeshc(z2);grid on;

%开始进化，直到最大代数截至 for i=1:max_gen %grid on;

%三维图象 %多维图象是画不出来的 %ezmesh(z),hold on,grid on; %画出粒子群

%plot3(arr_present(:,1),arr_present(:,2),arr_present(:,3),'*'),hold off; %drawnow %flush

%pause(0.01);

w = w_max-(w_max-w_min)*i/max_gen; % 线形递减权重

% 当前进化代数：对于每个粒子进行更新和评价----->>>>>>> for j=1:pop_size

v(j,:)

w.*v(j,:)+c1.*rand.*(pbest(j,1:part_size)-arr_present(j,1:part_size))...

=

+c2.*rand.*(gbest(1:part_size)-arr_present(j,1:part_size)); % 粒子速度更新 (a)

%

判断

v

的大小，限制

v

的绝对值小于

20——————————————————— for k=1:part_size if abs(v(j,k))>20

rand('state',sum(100*clock)); v(j,k)=20*rand(); end end

%前几列是位置信息

arr_present(j,1:part_size) arr_present(j,1:part_size)+v(j,1:part_size);% 粒子位置更新 (b) %最后一列是适应度

arr_present(j,end) = fitness(part_size,arr_present(j,1:part_size)); % 适应度更新 （保存至最后一列）

% 适应度评价与可行域限制

if (arr_present(j,end)>pbest(j,end))&(Region_in(arr_present(j,:),region)) % 根据条件更新pbest,如果是最小的值为小于号,相反则为大于号

pbest(j,:) = arr_present(j,:); % 更新个体的历史极值 end end

=

% 以下更新全局的极值

[best best_index] = max(arr_present(:,end)); % 如果是最小的值为min,相反则为max

if best>gbest(end) & ( Region_in(arr_present(best_index,:),region) ) % 如果当前最好的结果比以前的好，则更新最优值gbest,如果是最小的值为小于号,相反则为大于号

gbest = arr_present(best_index,:); % 全局的极值 end

%------------混沌--------------------------------- xlhd = gbest(1:part_size); if(1)

for p=1:25 %次数 %1生成

cxl=rand(1,part_size); for j=1:part_size if cxl(j)==0 cxl(j)=0.1; end

if cxl(j)==0.25 cxl(j)=0.26; end

if cxl(j)==0.5 cxl(j)=0.51; end

if cxl(j)==0.75 cxl(j)=0.76; end

if cxl(j)==1

cxl(j)=0.9; end end %2映射

al=-30;bl=30; rxl=al+(bl-al)*cxl; %3搜索

bate = 0.1;

xlhd=xlhd+bate*rxl;

if fitness(part_size,xlhd)>gbest(end) gbest(1:part_size)=xlhd;

gbest(end)=fitness(part_size,xlhd); end %4更新

for j=1:part_size

cxl(j)=4*cxl(j)*(1-cxl(j)); end end end

%-------------混沌--------------------------------

%当前代的最优粒子的适应度（取自）保存

best_record(:,i) = gbest; % gbest：一个行向量 end

pso = gbest; % 最优个体 display(gbest);

figure;

plot(best_record(end,:));% 最优解与代数的进化关系图

best=zeros(part_size,max_gen); for i=1:part_size-1

best(i,:)=best_record(i,:); end

pareto1= zeros(1,max_gen); pareto2= zeros(1,max_gen); for i=1:max_gen

pareto1(i)=f1(part_size, best(:,i) ); pareto2(i)=f2(part_size, best(:,i) ); end figure; i=1:max_gen;

%plot(i,pareto1(i),'r*',i,pareto2(i),'g*'); plot(pareto1(i),pareto2(i),'r+'); xlabel('f1');ylabel('f2'); title('Pareto曲线');

%figure;

%plot(,f2(best_record),);

% movie2avi(F,'pso_2D1.avi','compression','MSVC');

%子函数

%------------------------------------------------------------------------- %------------------------------------------------------------------------- %返回随机的位置

function ini_present=ini_pos(pop_size,part_size)

ini_present = 10*3*rand(pop_size,part_size+1); %初始化当前粒子位置,使其随机的分布在工作空间

%返回一个随机的矩阵，10*（2+1），最后一列将用来保存适应度

%返回随机的速度

function ini_velocity=ini_v(pop_size,part_size)

ini_velocity =20*(rand(pop_size,part_size)); %初始化当前粒子速度,使其随机的分布在速度范围内

%判断是否处于范围内

function flag = Region_in(pos_present,region) [m n]=size(pos_present); % 1*11 n返回解的维数10 flag=1; for j=1:n-1

flag = flag & ( pos_present(1,j)>=region(j,1) ( pos_present(1,j)<=region(j,2) ); end

%初始化适应度

function arr_fitness = ini_fit(pos_present,pop_size,part_size) for k=1:pop_size

arr_fitness(k,1) = fitness(part_size,pos_present(k,1:part_size)); %计算原

)

&

始种群的适应度 end

%*************************************************************************** % 计算适应度

%*************************************************************************** function fit = fitness(n,xp)

%需要求极值的函数,本例即peaks函数

%y0=[-85.4974,-29.9217]; % 注意：这是基准序列，也就是单个最优的极值 y0=[-9.9907,-7.7507]; %y0=[-39.6162,-18.4561]; % y0=[-86.8312,-29.9217];

y1=[f1(n,xp),f2(n,xp)]; % n为粒子维数

fit=graydegree(2,y0,y1); % 关联度在某种意义上就是适应度

%目标函数1 function r=f1(n,x) r=0; for i=1:n-1

r=r+(-10)*exp((-0.2)*sqrt(x(i)^2+x(i+1)^2)); end

%目标函数2 function r=f2(n,x) r=0; for i=1:n

r=r+(abs(x(i)))^0.8+5*sin(x(i)^3); end

%约束函数1 function r=g1(n,x) r=0; for i=1:n r=0; end

%约束函数2 function r=g2(n,x) r=0; for i=1:n r=0; end

% 灰色关联度计算函数 ( 越大相似性越好 )

% tn目标函数个数 x0基准序列（一组值） x1贷检（一组值） function gama = graydegree( tn,y0,y1 ) gama=0; rou =0.5;

kesa= zeros(tn,1); m1= abs(y0(1)-y1(1)) ; m2= abs(y0(1)-y1(1)) ; for i=1:tn

if( abs(y0(i)-y1(i))>m2 ) %------------------应该取大于呢还是小于 m2= abs(y0(i)-y1(i)); end end for i=1:tn

kesa(i) = ( m1+rou*m2)/( abs(y0(i)-y1(i)) +rou*m2 );

gama = gama + kesa(i); end

gama = gama/tn;

% 可行解的判决函数 gn为约束条件的个数(暂时未用) n为解（粒子）的维数 function bool = feasible( x,n ) r=0; %for i=1:gn

r=max( 0, g1(n,x), g2(n,x) );%判断约束条件 %end if(r>0)

bool=0; %不可行解 else

bool=1; %可行解 end

我正在玩搜狐微博，快来“关注”我，了解我的最新动态吧。

http://t.sohu.com/u/19878919

gama = gama + kesa(i); end

gama = gama/tn;

% 可行解的判决函数 gn为约束条件的个数(暂时未用) n为解（粒子）的维数 function bool = feasible( x,n ) r=0; %for i=1:gn

r=max( 0, g1(n,x), g2(n,x) );%判断约束条件 %end if(r>0)

bool=0; %不可行解 else

bool=1; %可行解 end

我正在玩搜狐微博，快来“关注”我，了解我的最新动态吧。

http://t.sohu.com/u/19878919

本文来源：https://www.bwwdw.com/article/pwyd.html