粒子群算法求解约束多目标优化万能matlab代码

function PSOfirst() %% 清空环境 clear; clc; %% 参数设置 w=0.9;%权值 将影响PSO 的全局与局部搜优能力， 值较大，全局搜优能力强，局部搜优能力弱;反之，则局部搜优能力增强，而全局搜优能力减弱。 c1=0.1;%加速度，影响收敛速度 c2=0.1; dim=6;%6维，表示企业数量 swarmsize=100;%粒子群规模，表示有100个解的空间 maxiter=200;%最大循环次数，影响时间 minfit=0.001;%最小适应值 vmax=0.01; vmin=-0.01; ub=[0.2,0.2,0.2,0.2,0.2,0.2];%解向量的最大限制 lb=[0.01,0.01,0.01,0.01,0.01,0.01];%解向量的最小限制 %% 种群初始化 range=ones(swarmsize,1)*(ub-lb); swarm=rand(swarmsize,dim).*range+ones(swarmsize,1)*lb;%粒子群位置矩阵 Y1=[33.08; 21.85; 6.19; 11.77; 9.96; 17.15;]; Y=Y1./100;%将百分数化为小数 [ym,yn]=size(Y); for i=1:swarmsize %% YX的约束 s=swarm(i,:); ss=s'; while sum(Y.*ss)<0.1*sum(Y) ss=rand(dim,1).*((ub-lb)')+ones(dim,1).*((lb)'); end swarm(i,:)=ss'; end vstep=rand(swarmsize,dim)*(vmax-vmin)+vmin;%粒子群速度矩阵 fswarm=zeros(swarmsize,1);%预设空矩阵，存放适应值 for i=1:swarmsize X=swarm(i,:); [SUMG,G]=jn(X); fswarm(i,:)=SUMG; %fswarm(i,:)=feval(jn,swarm(i,:));%以粒子群位置的第i行为输入，求函数值，对应输出给适应值 end %% 个体极值和群体极值 [bestf,bestindex]=min(fswarm);%求得适应值中的最小适应值，和，其所在的序列 gbest=swarm;%暂时的个体最优解为自己 fgbest=fswarm;%暂时的个体最优适应值 zbest=swarm(bestindex,:);%所在序列的对应的解矩阵序列，全局最佳解 fzbest=bestf;%全局最优适应值 %% 迭代寻优 iter=0; yfitness=zeros(1,maxiter);%1行100列矩阵，存放100个最优值的空间矩阵 x1=zeros(1,maxiter);%存放x的空间 x2=zeros(1,maxiter); x3=zeros(1,maxiter); x4=zeros(1,maxiter); x5=zeros(1,maxiter); x6=zeros(1,maxiter); while((iter<maxiter)&&(fzbest>minfit)) for j=1:swarmsize % 速度更新 vstep(j,:)=w*vstep(j,:)+c1*rand*(gbest(j,:)-swarm(j,:))+c2*rand*(zbest-swarm(j,:)); if vstep(j,:)>vmax vstep(j,:)=vmax;%速度限制 end if vstep(j,:)<vmin vstep(j,:)=vmin; end % 位置更新 swarm(j,:)=swarm(j,:)+vstep(j,:); for k=1:dim if swarm(j,k)>ub(k) swarm(j,k)=ub(k);%位置限制 end if swarm(j,k)<lb(k) swarm(j,k)=lb(k); end end % 适应值 X=swarm(j,:); [SUMG,G]=jn(X); fswarm(j,:)=SUMG; % 可在此处增加约束条件，若满足约束条件，则进行适应值计算 % % 个体最优更新 if fswarm(j)<fgbest(j) %如果当前的函数值比个体最优值小 gbest(j,:)=swarm(j,:);%个体最优解更新 fgbest(j)=fswarm(j);%个体最优值更新 end % 群体最优更新 if fswarm(j)<fzbest%如果当前的函数值比群体最优值大 zbest=swarm(j,:);%群体最优解更新 fzbest=fswarm(j);%群体最优值更新 end end iter=iter+1; yfitness(1,iter)=fzbest; x1(1,iter)=zbest(1);%将全局最优解的第1个元素，依次存储，共有MAXITER个 x2(1,iter)=zbest(2); x3(1,iter)=zbest(3); x4(1,iter)=zbest(4); x5(1,iter)=zbest(5); x6(1,iter)=zbest(6); end fzbest zbest X=zbest; [SUMG,G]=jn(X); GGbest=G;GGbest %% 画图 figure(1) plot(yfitness,'linewidth',2) title('最优基尼系数优化曲线','fontsize',14); xlabel('迭代次数','fontsize',14); ylabel('基尼系数','fontsize',14); figure(2) plot(x1,'b') hold on plot(x2,'g') hold on plot(x3,'r') hold on plot(x4,'c') hold on plot(x5,'m') hold on plot(x6,'y') title('x优化曲线','fontsize',14); xlabel('迭代次数','fontsize',14); ylabel('参数值','fontsize',14); legend('x1','x2','x3','x4','x5','x6',88) %% 适应度函数,即为目标函数，这里为基尼系数函数 function [SUMG,G]=jn(X) %% 已知数据 % A矩阵，行表示企业编号，列表示员工、营业收入、税收总额，其中数据位百分数 A1=[ 30.8 59.2 39.92; 17.6 9.5 31.42; 13.6 7.1 6.62; 9.5 7 5.64; 23.8 5.8 4.79; 4.7 11.4 11.6;]; A=A1./100;%将百分数化为小数 [am,an]=size(A); % Y矩阵，行表示企业编号，列表示二氧化碳百分比，其中为百分数 Y1=[33.08; 21.85; 6.19; 11.77; 9.96; 17.15;]; Y=Y1./100;%将百分数化为小数 [ym,yn]=size(Y); %% 代入X解向量，X XX=X';%将矩阵转置 one=ones(ym,yn); newx=one-XX; %% 计算基尼系数G G=zeros(an,1); for j=1:an aj=A(:,j); yx1=Y.*newx; yx=yx1./sum(yx1); ya=yx./aj; compose=[ya,aj,yx;]; newm=sortrows(compose,1);% 将ya矩阵从小到大升序排列； ajnew=newm(:,2); yxnew=newm(:,3); yxnewsum=zeros(ym,yn); for ii=1:ym yxnewsum(ii,yn)=sum(yxnew(1:ii)); end yxnewsum2=zeros(ym,yn); for iii=1:ym if iii==1 yxnewsum2(iii,yn)=yxnewsum(iii,yn); else yxnewsum2(iii,yn)=yxnewsum(iii-1,yn)+yxnewsum(iii,yn); end end ay=ajnew.*yxnewsum2; gj=1-sum(ay); G(j)=gj; end GMAX=[0.3;0.3;0.2;]; if ((G(1)-GMAX(1)>0)||(G(2)-GMAX(2)>0)||(G(3)-GMAX(3)>0)) G=GMAX; end SUMG=0.61*G(1)+0.19*G(2)+0.2*G(3); %输出G，基尼系数