基于PSO粒子群优化算法的多目标优化matlab仿真,含仿真操作录像

clc; clear; close all; warning off; addpath(genpath(pwd)); pop_size=1000;%种群大小，即粒子数量 part_size=2;%粒子维数 max_gen=2000;% 最大迭代次数 %region=zeros(part_size,2);%设定解空间范围 %region=100*[-3,3;-3,3];%每一维设定不同的范围，因为粒子是5维，共有2个目标函数 %rand('twister',sum(100*clock));%重置随机数发生器状态 %初始化当前位置和速度 arr_present=ini_pos(pop_size,part_size);%arr_present也是part_size+1列，最后一列是对应向量的适应度函数 v=ini_v(pop_size,part_size); w_max=0.9;%权重系数的最大值 w_min=0.4;%权重系数的最小值 c0=1; %计算原始种群的适应度，及初始化 pbest=arr_present(:,1:part_size);%初始化各个粒子的最优值 pbest1(:,1:part_size+2)=arr_present(:,1:part_size+2);%个体极值是没有任何关系的，只是在更新速度的时候用的个体极值是他们的线性关系的组合，但是那个全局极值是没有任何实际含义的 pbest2=pbest1; gbest(1,1:part_size)=rand(1,part_size); a=gbest(1,1:part_size); gbest(1,part_size+1)=fitness1(a); gbest(1,part_size+2)=fitness2(a);%这个gbest尽管没有没有实际含义，最后可以用这个作为最优解 gbest1(1,1:part_size)=gbest(1,1:part_size); x=gbest; gbest1(1,part_size+1)=fitness1(x); gbest2=gbest1; recordgbest=gbest; %开始进化，直到最大代数截止 for i=1:max_gen grid on; w=w_max-(w_max-w_min)*i/max_gen;%线性递减权重 c1=c0+i/max_gen;%c是加速因子定义,用了这个以后，粒子收敛的速度更快 %)当前进化代数，对粒子进行更新和评价 for j=1:pop_size v(j,:)=w.*v(j,:)+c1.*rand.*(pbest(j,1:part_size)-arr_present(j,1:part_size))+c1.*rand.*(gbest(1,1:part_size)-arr_present(j,1:part_size));%gbest适应值有值了，可是对应的自变量向量如何选择呢？？？？？？？ %判断v的大小，限制v的绝对值小于5 %c=find(abs(v)>5);%最大速度设置，找出速度大于5的向量的标号 %v(c)=sign(v(c))*5;%如果速度大于5，就设置成5 arr_present(j,1:part_size)=arr_present(j,1:part_size)+v(j,1:part_size);%粒子位置更新 x=arr_present(j,1:part_size); arr_present(j,part_size+1)=fitness1(x);%适应度1，保存到最后一列 arr_present(j,part_size+2)=fitness2(x);%适应度1，保存到最后一列 if arr_present(j,part_size+1)<pbest1(j,part_size+1) pbest1(j,:)=arr_present(j,1:part_size+2); pbest(j,1:part_size)=pbest1(j,1:part_size)*(1-i/max_gen)+pbest2(j,1:part_size)*i/max_gen; %pbest(j,1:part_size)=pbest1(j,1:part_size)*1/2+pbest2(j,1:part_size)*1/2; end if arr_present(j,part_size+2)<pbest2(j,end) pbest2(j,:)=arr_present(j,1:part_size+2); pbest(j,1:part_size)=pbest1(j,1:part_size)*(1-i/max_gen)+pbest2(j,1:part_size)*i/max_gen; %pbest(j,1:part_size)=pbest1(j,1:part_size)*1/2+pbest2(j,1:part_size)*1/2; end if arr_present(j,part_size+1)<gbest1(part_size+1) if x(1)>=-10&&x(1)<=10&&x(2)>=-10&&x(2)<=10%%?? gbest1=arr_present(j,1:part_size+1);%#ok<AGROW> %更新全局极值是通过当前位置来的，而不是通过个体极值来的 gbest(1,1:part_size)=gbest1(1,1:part_size)* i/max_gen+gbest2(1,1:part_size)*( 1-i/max_gen);%gbest只有位置维数的列数，没有适配值 a=gbest(1,1:part_size); gbest(1,part_size+1)=fitness1(a); gbest(1,part_size+2)=fitness2(a);%这个gbest尽管没有没有实际含义，最后可以用这个作为最优解 end end if arr_present(j,part_size+2)<gbest2(part_size+1) if x(1)>=-10&&x(1)<=10&&x(2)>=-10&&x(2)<=10 gbest2(1:part_size)=arr_present(j,1:part_size); gbest2(part_size+1)=arr_present(j,part_size+2);%更新全局极值是通过当前位置来的，而不是通过个体极值来的 gbest(1,1:part_size)=gbest1(1,1:part_size)* i/max_gen+gbest2(1,1:part_size)*( 1-i/max_gen);%gbest只有位置维数的列数，没有适配值 a=gbest(1,1:part_size); gbest(1,part_size+1)=fitness1(a); gbest(1,part_size+2)=fitness2(a);%这个gbest尽管没有没有实际含义，最后可以用这个作为最优解 end end end recordgbest(i,:)=gbest; end best_recordf1=recordgbest(:,part_size+1); best_recordf2=recordgbest(:,part_size+2); for k=1:pop_size pg=arr_present(1,:); if pg(1,part_size+1)>=arr_present(k,part_size+1)&&pg(1,part_size+2)>=arr_present(k,part_size+2) pg=arr_present(k,:); %最后得到的所有粒子的位置中最好的位置 end end PSOgbest=gbest; PSOarr_present=arr_present; PSOgbestrecord=pg; best_recordf3=arr_present(:,part_size+1); best_recordf4=arr_present(:,part_size+2); best_recordf5=arr_present(:,1); best_recordf6=arr_present(:,2); subplot(1,3,1),plot(best_recordf1,best_recordf2,'.r',pbest1(:,part_size+1),pbest1(:,part_size+2),'.b',pbest2(:,part_size+1),pbest2(:,part_size+2),'.g');%gbest对应的历史最优值组成的曲线 subplot(1,3,2),plot(best_recordf3,best_recordf4,'.b');%粒子迭代完之后的对应的两个目标函数值对应曲线 subplot(1,3,3),plot(best_recordf5,best_recordf6,'.b');%二维函数中粒子迭代完之后对应的位置 grid on;