该资源使用matlab编写的有约束条件的粒子群算法，其中的代码对于解决一些约束问题.rar

%___________________________________________________________________% % Grey Wold Optimizer (GWO) source codes version 1.0 % % % % Developed in MATLAB R2011b(7.13) % % % % Author and programmer: Seyedali Mirjalili % % % % e-Mail: ali.mirjalili@gmail.com % % seyedali.mirjalili@griffithuni.edu.au % % % % Homepage: http://www.alimirjalili.com % % % % Main paper: S. Mirjalili, S. M. Mirjalili, A. Lewis % % Grey Wolf Optimizer, Advances in Engineering % % Software , in press, % % DOI: 10.1016/j.advengsoft.2013.12.007 % % % %___________________________________________________________________% % Particle Swarm Optimization function [cg_curve,gBestScore,gBest ] =PSO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj) ;% N对应的是SearchAgents_no，也就是种群的大小；Max_iteration为迭代的次数,在主函数中设置, % lb,ub分别为各变量的上、下限,dim是变量的维数(或者是多少个变量),fobj 是目标函数的值 %PSO Infotmation Vmax=6; % 速度的最大值 noP=SearchAgents_no; % 赋值，将种群大小赋给该变量 wMax=0.9; % wMax，设置的最大值，是一个改进的PSO算法，是W的最大值 wMin=0.2; c1=2; %PSO算法的两个重要参数C1,C2 c2=2; % Initializations iter=Max_iteration; %最大迭代次数 vel=zeros(noP,dim); %生成一个noP行，dim列的0矩阵 pBestScore=zeros(noP,2); %每一个粒子，都有自己的最优解；先构造一个这样的矩阵，为后面赋值做准备 pBest=zeros(noP,dim); %取得最优值的向量值，比如X=[0 0 0 0 ~~0]时，取得了极小值，由于每个粒子都有自己经历的最优值，所以用(noP,dim) gBest=zeros(1,dim); %gBest只有一个，最优的变量是dim维 cg_curve=zeros(1,iter); %用来记录每次迭代的最优值 % Random initialization for agents. pos=initialization(noP,dim,ub,lb); %初始化种群 for i=1:noP pBestScore(i,:)=[inf inf]; % 先对每一个粒子的最优解，赋一个特别大的值； 注：是假定值越小越优的 end % Initialize gBestScore for a minimization problem gBestScore=[inf inf]; % 先赋一个特别大的值； 注：是假定值越小越优的 for l=1:iter %注意：l是变量，1是数字(一） %判断是否超出变量的界限，否则要进行限定, 开始 Boundary_no= size(ub,2); %判断变量各维上、下限是不是一样的，一样则为1； if Boundary_no==1 %上、下限一样时 for i=1:noP Flag4ub=pos(i,:)>ub; %判断是否超出变量的界限，否则要进行限定 Flag4lb=pos(i,:)<lb; pos(i,:)=(pos(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb; %没有超过上、下限，则 ub.*Flag4ub+lb.*Flag4lb＝0 ；超过了下、上限，则(pos(i,:).*(~(Flag4ub+Flag4lb)))＝0 end end % If each variable has a different lb and ub if Boundary_no>1 %变量的各维 的上、下限不一样时 for i=1:noP for j=1:dim Flag4ub=pos(i,j)>ub(1,j); %判断是否超出变量的界限，否则要进行限定 Flag4lb=pos(i,j)<lb(1,j); pos(i,j)=(pos(i,j).*(~(Flag4ub+Flag4lb)))+ub(1,j)*Flag4ub+lb(1,j)*Flag4lb; end end end %判断是否超出变量的界限，否则要进行限定, 结束 for i=1:size(pos,1) %Calculate objective function for each particle % fitness=fobj(pos(i,:)); % 求目标函数值，比如变量为[0 0 0 ~~0 ] ，这个变量组对应的目标函数值是多少？ fitness=fobj(pos(i,:)); f1=fitness(1,1); f2=fitness(1,2); % fitness由两部分构成 % 用于判断是不是比自己最优位置的更优，如果更优秀， %情况1 ，都没违反约束 ；DEB规则1 if pBestScore(i,2)==0&&f2==0 if f1<pBestScore(i,1) pBestScore(i,1)=f1; % Update alpha pBestScore(i,2)=f2; pBest(i,:)=pos(i,:); end end %情况2 ，1个违反约束（原最优），一个没违反约束 ；DEB规则2 if pBestScore(i,2)>0&& f2==0 pBestScore(i,1)=f1; % Update alpha pBestScore(i,2)=f2; pBest(i,:)=pos(i,:); end %情况3 ，两个都违反约束 if pBestScore(i,2)>0&& f2>0 %原则是看哪个的约束违反最少 ；DEB规则3 if f2<pBestScore(i,2) % 小于 pBestScore(i,1)=f1; % Update alpha pBestScore(i,2)=f2; pBest(i,:)=pos(i,:); end if f2==pBestScore(i,2) %等于 if f1<pBestScore(i,1) pBestScore(i,1)=f1; % Update alpha pBestScore(i,2)=f2; pBest(i,:)=pos(i,:); end end end %情况3 ，两个都违反约束， 结束 % 用于判断是不是比全局最优位置的更优，如果更优秀， %情况1 ，都没违反约束 if gBestScore(1,2)==0&&f2==0 if f1<gBestScore(1,1) gBestScore(1,1)=f1; % Update alpha gBestScore(1,2)=f2; gBest=pos(i,:); end end %情况2 ，1个违反约束（原最优），一个没违反约束 if gBestScore(1,2)>0&& f2==0 gBestScore(1,1)=f1; % Update alpha gBestScore(1,2)=f2; gBest=pos(i,:); end %情况3 ，两个都违反约束 if gBestScore(1,2)>0&& f2>0 %原则是看哪个的约束违反最少 if f2<gBestScore(1,2) % 小于 gBestScore(1,1)=f1; % Update alpha gBestScore(1,2)=f2; gBest=pos(i,:); end if f2==gBestScore(1,2) %等于 if f1<gBestScore(1,1) gBestScore(1,1)=f1; % Update alpha gBestScore(1,2)=f2; gBest=pos(i,:); end end end %情况3 ，两个都违反约束， 结束 end %for i=1:size(pos,1) end %Update the W of PSO w=wMax-l*((wMax-wMin)/iter); %随着迭代次数越来越大，则w会越来越接近wMax %Update the Velocity and Position of particles for i=1:size(pos,1) for j=1:size(pos,2) vel(i,j)=w*vel(i,j)+c1*rand()*(pBest(i,j)-pos(i,j))+c2*rand()*(gBest(j)-pos(i,j)); %对应PPT第8页的公式1 if(vel(i,j)>Vmax) vel(i,j)=Vmax; %限定大小 end if(vel(i,j)<-Vmax) vel(i,j)=-Vmax; end pos(i,j)=pos(i,j)+vel(i,j); %对应PPT第8页的公式2 end end%for i=1:size(pos,1) end %cg_curve(l)=gBestScore; %注意：此外的l是个变量，是L的小写，而不是“一”的那个1； 即保存每一代的全局最优值，主要是用于观察寻优的过程 % 加 2 Convergence_curve(l)=gBestScore(1,1); %用f1做曲线,伍 if mod(l,50)==0 display(['At iteration ', num2str(l), ' the optimum is ', num2str(gBestScore)]); % 每50个输出一个寻优的结果，用于观察算法的寻优性能 (mod(l,50)==0) en