前言
粒子群算法实现起来并不是很难,算法思想可以参加我上一篇博文,不多说了。好了,Matlab版的粒子群走起。
1 定义变量
粒子群算法有很多参数,做实验的时候会纠结在参数问题上,这里就随机设定了。有时候,参数好坏,是成败关键。没有修过Matlab语言的朋友不用担心,之后会把C或Java版的也总结一下。知识嘛,多多益善。Let's go !
根据公式,需要c1 c2 r1 r2 w M
代码如下:
c1 = 2;%学习因子
c2 = 2;%学习因子
w = 0.7;%惯性权重
D = 10;%搜索维度
M = 40;%种群大小
%r1、r2 由randn生成,不声明了
2 初始化种群
这里是随机生成在不同维度上的粒子,就是说在D个方向上撒上M个粒子。
代码如下:
for i=1:M
for j=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
3 计算粒子适应度
通过调用适应度函数,计算适应度值。在此处,初始化个体的适应度值p(i)和全局最优的适应度值gbest。
代码如下:
for i=1:M
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
gbest=x(1,:); %gbest为全局最优适应度值
4 更新个体最优值
将适应度函数计算的结果和目前的个体适应度值相比较,将适应度值较小的位置保存下来。
代码如下:
for i = 1:M
if fitness(x(i,:),D) < p(i)
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
end
5 更新全局最优值
上面已经将全局最优位置初始化,只需要将它和目前个体的最优位置相比较即可,位置代入适应度函数,取最小的值对应的位置,保存该位置即可。
代码如下:
if p(i) < fitness(pg,D)
gbest=y(i,:);
end
6 更新粒子的速度和位置
根据公式来写即可,对于不同的粒子群算法这个地方会需要改动。
代码如下:
for i=1:M
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
end
7 适应度函数
适应度函数最好另外建一个Script文件,把它放进去。适应度函数可以根据要研究的问题做相应的改动,下面列出一个函数,仅供测试。
代码如下:
function result = fitness(X,D)
sum = 0.0;
for i = 1:D
sum = sum + X(i)^2;
end
result = sum;
8 完整代码
到目前,应该有两个m文件,一个是适应度函数的,一个是粒子群的。不过,还需要在粒子群的文件中加入一些代码,主要是调整代码顺序,迭代次数和精度问题,具体参见代码即可。
完整代码如下:
clear all;
clc;
format long;
%------给定初始化条件----------------------------------------------
c1=2; %学习因子1
c2=2; %学习因子2
w=0.7; %惯性权重
MaxDT=1000; %最大迭代次数
D=10; %搜索空间维数(未知数个数)
M=40; %初始化群体个体数目
eps=10^(-6); %设置精度(在已知最小值时候用)
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
for i=1:M
for j=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,并初始化p(i)和gbest--------------------
for i=1:M
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
gbest=x(1,:); %gbest为全局最优
for i=2:M
if fitness(x(i,M:),D) < fitness(gbest,D)
gbest=x(i,:);
end
end
%------进入主要循环,按照公式依次迭代,直到满足精度要求------------
for t=1:MaxDT
for i=1:M
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(gbest-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<p(i)
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)<fitness(gbest,D)
gbest=y(i,:);
end
end
end
%------显示计算结果
disp('*************************************************************')
disp('函数的全局最优位置为:')
Solution=gbest'
disp('最后得到的优化极值为:')
Result=fitness(gbest,D)
disp('*************************************************************')
9 实验结果
如图: