首页 > 编程语言 > 详细

粒子群优化算法PSO及matlab实现

时间:2018-02-14 15:32:12      阅读:107      评论:0      收藏:0      [点我收藏+]

标签:参数   min   功能   结果   ide   过程   mil   .html   none   

 

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:

       技术分享图片

      技术分享图片

 

 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技术分享图片,当x范围在[1,2],寻找它的极大值。

matlab代码如下:

技术分享图片
 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
技术分享图片
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:

技术分享图片  技术分享图片

2、二元函数优化

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

matlab代码如下:

技术分享图片
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
技术分享图片
 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:

 技术分享图片    技术分享图片

 

4、速度更新权重W的选择技术分享图片

 

 

示例代码如下:

技术分享图片
 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:

技术分享图片

 

粒子群优化算法PSO及matlab实现

标签:参数   min   功能   结果   ide   过程   mil   .html   none   

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

(0)
(0)
   
举报
评论 一句话评论(0
0条  
登录后才能评论!
© 2014 bubuko.com 版权所有 鲁ICP备09046678号-4
打开技术之扣,分享程序人生!
             

鲁公网安备 37021202000002号