遗传粒子群优化算法-GAPSO.zip

clc clear %杂交概率：Pc %杂交池大小比例：Sp %最大迭代次数：M %问题的维数：D %目标函数取最小值时的自变量值：xm %目标函数的最小值：fv %% 参数初始化 %粒子群算法中的两个参数 c1 = 1.49445;%学习因子 c2 = 1.49445;%学习因子 wmax=0.9;%惯性因子最大值 wmin=0.4;%惯性因子最小值 D=10;%粒子维数 pc=0.5;%杂交概率 maxgen=1000; % 迭代次数 sizepop=20; %种群规模 pm=0.05;%变异概率 Vmax=1; Vmin=-1; popmax=3; popmin=-3; randdata1= xlsread('randdata1'); randdata2= xlsread('randdata2'); %% 产生初始粒子和速度 for i=1:sizepop %随机产生一个种群 pop(i,:)=randdata1(1,:); %初始化粒子位置 V(i,:)=randdata2(1,:); %初始化粒子速度 %pop(i,:)=rands(1,D); %初始种群 %V(i,:)=rands(1,D); %初始化速度 fitness(i)=fun(pop(i,:)); %计算每个粒子的适应度值 end %% 个体极值和群体极值 [bestfitness bestindex]=min(fitness); zbest=pop(bestindex,:); %全局最佳 gbest=pop; %个体最佳 fitnessgbest=fitness; %个体最佳适应度值 fitnesszbest=bestfitness; %全局最佳适应度值 %% 迭代寻优 for k=1:maxgen for j=1:sizepop %速度更新 V(j,:) =V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); V(j,find(V(j,:)>Vmax))=Vmax; V(j,find(V(j,:)<Vmin))=Vmin; %种群更新 pop(j,:)=pop(j,:)+V(j,:); pop(j,find(pop(j,:)>popmax))=popmax; pop(j,find(pop(j,:)<popmin))=popmin; %适应度值 fitness(j)=fun(pop(j,:)); end for j=1:sizepop %个体最优更新 if fitness(j) < fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j); end %群体最优更新 if fitness(j) < fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); end end [sortbest sortindexbest]=sort(fitnessgbest);%按照适应度大小进行排序 numPool=round(pc*sizepop); %杂交池的大小,round为取整 for i=1:numPool Poolx(i,:)=pop(sortindexbest(i),:); PoolVx(i,:)=V(sortindexbest(i),:); end for i=1:numPool %选择要进行杂交的粒子 seed1=floor(rand()*numPool)+1; seed2=floor(rand()*numPool)+1; while seed1==seed2 seed1=floor(rand()*numPool)+1; seed2=floor(rand()*numPool)+1; end pb=rand; %子代的位置计算 childx1(i,:)=pb*Poolx(seed1,:)+(1-pb)*Poolx(seed2,:); %子代的速度计算 childv1(i,:)=(PoolVx(seed1,:)+PoolVx(seed2,:))*norm(PoolVx(seed1,:))./norm(PoolVx(seed1,:)+PoolVx(seed2,:)); if fun(pop(i,:))>fun(childx1(i,:)) pop(i,:)=childx1(i,:); %子代的位置替换父代位置 V(i,:)=childv1(i,:); %子代的速度替换父代速度 end end %%进行高斯变异 mutationpool=round(pm*sizepop); for i=1:mutationpool %选择要进行变异的粒子 seed3=floor(rand()*mutationpool)+1; mutationchild(i,:)=pop(seed3,:)*(1+ randn); if fun(pop(i,:))>fun(mutationchild(i,:)) pop(i,:)=mutationchild(i,:); %子代的位置替换父代位置 end end %计算杂交变异后的粒子适应度值以及进行更新 for q=1:sizepop %适应度值 fitness(q)=fun(pop(q,:)); %个体最优更新 if fitness(q) < fitnessgbest(q) gbest(q,:) = pop(q,:); fitnessgbest(q) = fitness(q); end %群体最优更新 if fitness(q) < fitnesszbest zbest = pop(q,:); fitnesszbest = fitness(q); end end yy(k)=fitnesszbest; end %% 结果分析 plot(yy,'k','LineWidth',5) title('多峰函数Generaliaed Rosenbrock最优个体适应度曲线','fontsize',20); xlabel('迭代次数','fontsize',25);ylabel('适应度值','fontsize',25); legend('基本粒子群算法','混沌粒子群算法','基于遗传思想的粒子群算法','fontsize',30); hold on display('遗传思想与粒子群混合算法输出结果'); zbest minbest=min(yy) meanbest=mean(yy) stdbest=std(yy)