PSO粒子群优化算法的改进仿真matlab2021a测试-源码

%--带有收缩因子的微粒群算法，解决有约束的情况-- %清除屏幕 clc clear format long; %-----------------------------参数设置------------------------------------- c1 = 2; %学习因子1 ，一般在[0,2] c2 = 2; %学习因子2 ，一般在[0,2] % c1 = 2.04344; %学习因子1 ，一般在[0,2] % c2 = 0.94874; %学习因子2 ，一般在[0,2] k1 = 0.7298; %惯性权重，一般取[0,1.4]，但[0.8,1.2]收敛速度更快 Dimension = 2; %搜索空间维数（未知数个数） Popsize = 100; %初始化群体个体数目 MaxDT = 1000; %最大迭代次数 DivH = 0.25; % 多样性系数上限 DivL = 0.05; % 多样性系数下限 itera = 1; % 迭代次数 %--------------初始化种群的个体(可以在这里限定位置和速度的范围)--------------- % 计算算法搜索空间最大半径--保证种群多样性 x1minmax = [13 100]; x2minmax = [0 100]; Rmax = sqrt((x1minmax(2)-x1minmax(1))^2 + (x2minmax(2)-x2minmax(1))^2) % 1）随机初始化位置 x1 = rand(Popsize,1)*(100-13) + 13; % x1 = [13,100] x2 = rand(Popsize,1)*100; % x2 = [0, 100] % 2）随机初始化速度 v1max = 0.4*( max(x1) - min(x1)); v2max = 0.4*( max(x2) - min(x2)); v1 = rand(Popsize,1) * v1max; v2 = rand(Popsize,1) * v2max; fit = fitness(x1,x2,itera,Popsize); % 计算各微粒的适应度 Pbest = [x1 x2]; % 初始化个体（微粒）最佳位置 Fbest = fit; % 初始化个体（微粒）最佳位置时的适应度 [minfit, indfit] = min(fit); % 寻找群体全局适应度最佳的个体（微粒）[适应度，微粒号] PGbest = [x1(indfit) x2(indfit)]; % 全局适应度最佳的个体（微粒）位置 FGbest = minfit; % 全局适应度最佳的个体（微粒）适应度 dir = 1; %--------------进入主要循环，按照公式依次迭代，直到满足精度要求--------------- for itera=2:MaxDT w = 1-itera*0.9/(MaxDT); % 计算并比较种群多样性系数 Div1 = diversity(Popsize, Dimension, Pbest, Rmax); % if Div1 < DivL % dir = 1; % elseif Div1 > DivH % dir = -1; % end % if dir > 0 && Div1 < DivL % dir = -1; % end % if dir < 0 && Div1 > DivH % dir = 1; % end % dir1(itera) = dir; % Div2(itera) = Div1; %-------------更新粒子飞行速度------------- % v1 = k1*(w * v1 + dir*(c1 * rand * (Pbest(:,1) - x1) + c2 * rand * (PGbest(1) - x1))); % 更新 v1 % v2 = k1*(w * v2 + dir*(c1 * rand * (Pbest(:,2) - x2) + c2 * rand * (PGbest(2) - x2))); % 更新 v2 v1 = k1*(w * v1 + dir*(c1 * rand * (Pbest(:,1) - x1) + c2 * rand * (PGbest(1) - x1))); % 更新 v1 v2 = k1*(w * v2 + dir*(c1 * rand * (Pbest(:,2) - x2) + c2 * rand * (PGbest(2) - x2))); % 更新 v2 %-------------限制粒子飞行速度------------- v1(find( v1 > v1max)) = v1max; v1(find( v1 < -v1max)) = -v1max; v2(find( v2 > v2max)) = v2max; v2(find( v2 < -v2max)) = -v2max; %-------------更新粒子位置 ------------- x1 = x1 + v1; % 更新 x1 x2 = x2 + v2; % 更新 x2 %-------------限制粒子位置------------- x1(find( x1 > 100 )) = 100; x1(find( x1 < 13 )) = 13; x2(find( x2 > 100 )) = 100; x2(find( x2 < 0 )) = 0; [new_fit]= fitness(x1, x2, itera, Popsize); % 计算微粒的适应度 %-------------更新个体（微粒）最佳适应度和最佳位置------------- for i = 1 : Popsize if new_fit(i) < Fbest(i) Pbest(i,:) = [x1(i) x2(i)]; Fbest(i) = new_fit(i); end end [minfit(itera), indfit] = min(new_fit); % 在本次迭代中，寻找最佳适应度值和微粒号 %-------------更新全局最佳适应度和最佳位置------------- if minfit(itera) < PGbest PGbest = [x1(indfit) x2(indfit)]; % updating gworst FGbest = minfit(itera); % updating gworst end; %-------------最佳适应度和最佳位置------------- PG_BESTx(itera,:) = [x1(indfit) x2(indfit)]; FG_BEST(itera) = FGbest; end PGbest FGbest % dir1; % Div2; %-------------绘图------------- figure(3) % 优化函数收敛曲线 t = 1:MaxDT; subplot(2,1,1); plot(t,FG_BEST,'b'); grid on title('函数最优值与迭代次数的关系') xlabel('迭代次数 i'); ylabel('函数最优值 FG-BEST'); % 二维粒子的优化过程中的位置 subplot(2,1,2); plot(PG_BESTx(t,1),PG_BESTx(t,2),'*b'); hold on plot(PG_BESTx(MaxDT,1),PG_BESTx(MaxDT,2),'dr','LineWidth',3); title('最佳微粒位置') xlabel('微粒位置x(1)'); ylabel('微粒位置x(2)');