使用MATLAB的遗传算法与粒子群方法解决单一目标优化问题 - 包含Matlab源代码及第1659期刊登内容

%% GA 优化 PSO
%% 清空环境
clc;
clear
close all
%% 参数初始化
lenchrom=7; %字符串长度（个体长度），染色体编码长度
pc=0.7; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率
pm=0.3; %设置变异概率，同理也可设置为变化的

%粒子群算法中的两个参数
c1 = 1.49445;
c2 = 1.49445;

maxgen=20; % 进化次数
popsize=30; %种群规模

%粒子更新速度
Vmax=1;
Vmin=-1;

%种群
popmax=50;
popmin=-50;

% 变量取值范围
bound=[popmin popmax;popmin popmax;popmin popmax;popmin popmax;popmin popmax;popmin popmax;popmin popmax]; %变量范围

% 优化粒子数目
par_num=7;

%% 产生初始粒子和速度
for i=1:popsize
%随机产生一个种群
pop(i,:)=popmax*rands(1,par_num); %初始种群
V(i,:)=rands(1,par_num); %初始化速度
%计算适应度
fitness(i)=fun(pop(i,:)); %染色体的适应度
end

%找最好的染色体
[bestfitness bestindex]=min(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

%% 迭代寻优
for i=1:maxgen
i
for j=1:popsize

%速度更新 PSO选择更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;

%种群更新 PSO选择更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;

% 交叉操作 GA
GApop=Cross(pc,lenchrom,pop,popsize,bound);

% 变异操作 GA变异
GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],bound);

pop=GApop; % GA pop --> PSO pop

% 适应度值 --> 约束条件
if 0.072*pop(j,1)+0.063*pop(j,2)+0.057*pop(j,3)+0.05*pop(j,4)+0.032*pop(j,5)+0.0442*pop(j,6)+0.0675*pop(j,7)<=264.4
if 128*pop(j,1)+78.1*pop(j,2)+64.1*pop(j,3)+43*pop(j,4)+58.1*pop(j,5)+36.9*pop(j,

上一篇： 在Matlab中改进第五部分：PSO算法的优化实现 - 更新版粒子群算法示例: PSO_Impl_1.m

下一篇： 用Matlab实现的改进版粒子群算法(第三部分)