基于matlabPSO优化RBFNN（程序+论文参考）.zip

clear all close all %G为迭代次数,n为个体长度(包括12个参数),m为总群规模 %w,c1,c2为粒子群算法中的参数 G =700; n = 12;%个体长度，一个粒子的长度 m = 20; w = 0.1;%惯性权重 c1 = 2; c2 = 2; %设置粒子的最小位置与最大位置 for i = 1:3 MinX(i) = 0.1*ones(1); MaxX(i) = 3*ones(1); end for i = 4:1:9 MinX(i) = -3*ones(1); MaxX(i) = 3*ones(1); end for i = 10:1:12 MinX(i) = -ones(1); MaxX(i) = ones(1); end %产生初始粒子位置 pop = rands(m,n);%m:20个粒子。n:每个粒子可以设置12个值 for i = 1:m%对超过范围的粒子，进行处理 for j = 1:3 if pop(i,j) < MinX(j) pop(i,j) = MinX(j); end if pop(i,j) > MaxX(j) pop(i,j) = MaxX(j); end end for j = 4:9 if pop(i,j) < MinX(j) pop(i,j) = MinX(j); end if pop(i,j) > MaxX(j) pop(i,j) = MaxX(j); end end for j = 10:12 if pop(i,j) < MinX(j) pop(i,j) = MinX(j); end if pop(i,j) > MaxX(j) pop(i,j) = MaxX(j); end end end %初始化速度 V = 0.1*rands(m,n);%20行12列，每个粒子的每个值设置一个初始的速度，0,1为惯性权重 BsJ = 0; %误差的和，函数的返回值，值越小，说明得到的权值效果越好。即适应度值，适应度函数为神经网络输出与期望输出的差值的总和 %根据初始化的种群计算个体好坏,找出群体最优和个体最优 for s = 1:m%粒子群规模 indivi = pop(s,:);%取一个粒子，为一个行向量 [indivi,BsJ] = chap10_3b(indivi,BsJ);%调用 Error(s) = BsJ;%将次粒子的误差和赋值 end [OderEr,IndexEr] = sort(Error);%将Error数组按升序排列 Error; Errorleast = OderEr(1);%将最小值赋值 for i = 1:m%种群规模 if Errorleast == Error(i) gbest = pop(i,:);%将第i个粒子赋值给gbest，即全局最优位置 break; end end ibest = pop;%个体极值 for kg = 1:G%迭代次数 kg for s = 1:m;%种群规模 %个体有4%的变异概率 for j = 1:n%粒子长度 for i = 1:m%种群规模，变异是针对某个粒子的某一个值的变异 if rand(1)<0.04 pop(i,j) = rands(1); end end end %r1,r2为粒子群算法参数 r1 = rand(1);%产生一个0-1之间的随机数 r2 = rand(1); %个体和速度更新 V(s,:) = w*V(s,:) + c1*r1*(ibest(s,:)-pop(s,:)) + c2*r2*(gbest-pop(s,:));%w为惯性权重 pop(s,:) = pop(s,:) + 0.3*V(s,:);%有些地方加速度那里的03也为0.5，感觉像乘以时间 %对更新的位置进行判断，超过设定的范围就处理下。粒子中不同的值对应不同的范围 for j = 1:3 if pop(s,j) < MinX(j) pop(s,j) = MinX(j); end if pop(s,j) > MaxX(j) pop(s,j) = MaxX(j); end end for j = 4:9 if pop(s,j) < MinX(j) pop(s,j) = MinX(j); end if pop(s,j) > MaxX(j) pop(s,j) = MaxX(j); end end for j = 10:12 if pop(s,j) < MinX(j) pop(s,j) = MinX(j); end if pop(s,j) > MaxX(j) pop(s,j) = MaxX(j); end end %求更新后的每个个体适应度值 [pop(s,:),BsJ] = chap10_3b(pop(s,:),BsJ);%输入为当前的粒子与上一个粒子对应的适应度值。输出为当前的粒子与当前粒子对应的适应度值 error(s) = BsJ;%将当前粒子对应的适应度值赋值给误差数组 %根据适应度值对个体最优和群体最优进行更新 if error(s)<Error(s) ibest(s,:) = pop(s,:); Error(s) = error(s); end if error(s)<Errorleast gbest = pop(s,:); Errorleast = error(s); end end Best(kg) = Errorleast; end plot(Best); save pfile1 gbest;