2021年1月26日：详解粒子群优化算法(PSO)及其在Matlab中的实际操作示例
最编程
2024-07-22 09:06:37
...
%% I. 清空环境clcclearclose all%% II. 绘制目标函数曲线图x = 1:0.01:2;fun = @(x)sin(10 * pi * x) ./ x;y = fun(x);figureplot(x, y)hold on%% III. 参数初始化c1 = 1.49445;c2 = 1.49445; maxgen = 50; % 进化次数 sizepop = 10; %种群规模 Vmax = 0.5; %速度的范围，超过则用边界值。Vmin = -0.5; popmax = 2; %个体的变化范围popmin = 1; %% IV. 产生初始粒子和速度for i = 1:sizepop % 随机产生一个种群 pop(i,:) = (rands(1) + 1) / 2 + 1; %初始种群，rands产生(-1,1)，调整到(1,2) V(i,:) = 0.5 * rands(1); %初始化速度 % 计算适应度 fitness(i) = fun(pop(i,:)); end %% V. 个体极值和群体极值[bestfitness,bestindex] = max(fitness);zbest = pop(bestindex,:); %全局最佳gbest = pop; %个体最佳fitnessgbest = fitness; %个体最佳适应度值fitnesszbest = bestfitness; %全局最佳适应度值 %% VI. 迭代寻优for i = 1:maxgen for j = 1:sizepop % 速度更新 V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); V(j,V(j,:)>Vmax) = Vmax; V(j,V(j,:)<Vmin) = Vmin; % 种群更新 pop(j,:) = pop(j,:) + V(j,:); pop(j,pop(j,:)>popmax) = popmax; pop(j,pop(j,:)<popmin) = popmin; % 适应度值更新 fitness(j) = fun(pop(j,:)); end for j = 1:sizepop % 个体最优更新 if fitness(j) > fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j); end % 群体最优更新 if fitness(j) > fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); end end yy(i) = fitnesszbest; end %% VII. 输出结果并绘图disp([fitnesszbest zbest])plot(zbest, fitnesszbest,'r*') figureplot(yy)title('最优个体适应度','fontsize',12);xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12); 上一篇： 简单易懂讲解Java SSM架构基础
下一篇： 探索与优化：粒子群智能算法及其改良方法