免疫算法与粒子群算法相结合_免疫粒子群算法_利用免疫算法中抗体调节机制优化粒子多样性_matlab

%------免疫粒子群优化算法（Artificial Immune - Particle Swarm Optimization） function [x,y,Result]=PSO_AI(func) % Example [x, y,minvalue] = PSO_AI('Foxhole') clc; subplot(2,2,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% plot 1 draw(func); title([func, ' Function']); tic format long; %------给定初始化条件---------------------------------------------- c1=1.4962; %学习因子1 c2=1.4962; %学习因子2 w=0.7298; %惯性权重 MaxDT=200; %最大迭代次数 D=2; %搜索空间维数（未知数个数） N=100; %初始化群体个体数目 eps=10^(-20); %设置精度(在已知最小值时候用) DS=10; %每隔DS次循环就检查最优个体是否变优 replaceP=0.6; %粒子的概率大于replaceP将被免疫替换 minD=1e-015; %粒子间的最小距离 Psum=0; %个体最佳的和 range=100; count = 0; %------初始化种群的个体------------ for i=1:N for j=1:D x(i,j)=-range+2*range*rand; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end %------先计算各个粒子的适应度，并初始化Pi和Pg---------------------- for i=1:N %p(i)=Foxhole(x(i,:),D); %fitness是计算各个粒子适应度的函数，见文件fitness.m %%%%%%%%***************************************************** p(i)=feval(func,x(i,:)); y(i,:)=x(i,:); end pg=x(1,:); %Pg为全局最优 for i=2:N if feval(func,x(i,:))<feval(func,pg) %%%%********************************************************************************************** pg=x(i,:); end end %------进入主要循环，按照公式依次迭代，直到满足精度要求------------ for t=1:MaxDT for i=1:N v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:)); x(i,:)=x(i,:)+v(i,:); if feval(func,x(i,:))<p(i) %%%%%%%%%%%%%%********************************************************************************************** p(i)=feval(func,x(i,:)); %%%%%%%%%%%%%%%************************************************************************************** y(i,:)=x(i,:); end if p(i)<feval(func,pg) %%%%%%%%%%%%%%%%%%%%****************************************************************************************** pg=y(i,:); subplot(2,2,2); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Plot 1 bar(pg,0.25); axis([0 3 -40 40 ]) ; title (['Iteration ', num2str(t)]); pause (0.1); subplot(2,2,3); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Plot 2 plot(pg(1,1),pg(1,2),'rs','MarkerFaceColor','r', 'MarkerSize',8) hold on; plot(x(:,1),x(:,2),'k.'); set(gca,'Color','g') hold off; grid on; axis([-100 100 -100 100 ]) ; title(['Global Min = ',num2str(p(i))]); xlabel(['Min_x= ',num2str(pg(1,1)),' Min_y= ',num2str(pg(1,2))]); end end Pbest(t)=feval(func,pg) ; %%%%%%%%************************************************************************************************************ % if Foxhole(pg,D)<eps %如果结果满足精度要求则跳出循环 % break; % end %-----------开始进行免疫－－－－－－－－－－－－－－－－ if t>DS if mod(t,DS)==0 && (Pbest(t-DS+1)-Pbest(t))<1e-020 %如果连续DS代数，群体中的最优没有明显变优，则进行免疫. %在函数测试的过程中发现，经过一定代数的更新，个体最优不完全相等，但变化非常非常小， %我认为这个时候也应用免疫了，所以我没有用“Pbest(t-DS+1)＝Pbest(t)”作为判断条件， %不过“(Pbest(t-DS+1)-Pbest(t))<1e-020”是否合理也值得探讨。 for i=1:N %先计算出个体最优的和 Psum=Psum+p(i); end for i=1:N %免疫程序 for j=1:N %计算每个个体与个体i的距离 distance(j)=abs(p(j)-p(i)); end num=0; for j=1:N %计算与第i个个体距离小于minD的个数 if distance(j)<minD num=num+1; end end PF(i)=p(N-i+1)/Psum; %计算适应度概率 PD(i)=num/N; %计算个体浓度 a=rand; %随机生成计算替换概率的因子 PR(i)=a*PF(i)+(1-a)*PD(i); %计算替换概率 end for i=1:N if PR(i)>replaceP x(i,:)=-range+2*range*rand(1,D); subplot(2,2,4); axi; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Plot 4 plot(x(i,1),x(i,2),'k*'); grid on; axis([-100 100 -100 100 ]) ; title(['New Min = ',num2str( feval(func,x(i,:)))]); %%%%%%%%%******************************************************************************* xlabel(['Immune ',num2str(count)]); pause (0.2); count=count+1; end end end end end %------最后给出计算结果 x=pg(1,1); y=pg(1,2); Result=feval(func,pg); %%%%%%%%%%%***************************************************************************************************************** toc %------算法结束------------------------- function probabolity(N,i) PF=p(N-i)/Psum;%适应度概率 disp(PF); for jj=1:N distance(jj)=abs(P(jj)-P(i)); end num=0; for ii=1:N if distance(ii)<minD num=num+1; end end PD=num/N; %个体浓度 PR=a*PF+(1-a)*PD; %替换概率 % result=PR;