%%%惯性权值非线性减小&粒子运动方向变异&学习因子线性改变的改进%%%%
function pso4hunhe
clear all;
close all;
c1s=2.25; c1f = 0.5; %学习因子
c2s=1.25; c2f = 2.25; %学习因子
wmax=0.9; %权值最大值
wmin=0.1; %权值最小值
global D N
D=3; %种群维数
N=40; %粒子规模
Tmax=200; %最大迭代次数 Tmax
eps=10^(-6); %满足条件限制的误差
tic
t1=clock;
%%选择测试函数的速度和位置限制范围%%
F_n=1;
switch F_n
case 1 %% f4_griewank [-600,600] %%
Vmax(1:D)= 600; Vmin(1:D)=-600;
Xmax(1:D)= 600; Xmin(1:D)=-600;
end
%%初始化位置速度%%
P=zeros(D,N);%位置P记法：行 D；列 N；
V=zeros(D,N);%每个粒子的位置、速度对应于一列。
[P,V]=initial_P_V(D,N,Xmax,Xmin,Vmax,Vmin);
%%个体最优 P_p 和全局最优 globe 初始赋值%%
P_p=P;globe=zeros(D,1);
%%评价每个粒子适应值，寻找出 globle%%
for j=1:N
Pos=P(:,j);
fz(j)=Fitness_Function(Pos,F_n);
end
[P_g,I]=min(fz);
globe=P(:,I);
%%迭代开始%%
for itrtn=1:Tmax/10 %前一段时间粒子方向变异
time(itrtn)=itrtn;
w=wmax+(wmax-wmin)*itrtn^2/Tmax^2-2*(wmax-wmin)*itrtn/Tmax;
c1= c1s+itrtn*(c1f-c1s)/Tmax;
c2= c2s+itrtn*(c2f-c2s)/Tmax;
r1=rand(1);r2=rand(1);
for i=1:9*N/10
V(:,i)=w*V(:,i)+c1*r1*(P_p(:,i)-P(:,i))+c2*r2*(globe-P(:,i));%速度更新
P(:,i)=P(:,i)+V(:,i); %位置更新
end
for i=9*N/10:N
V(:,i)=w*V(:,i)+c1*r1*(P_p(:,i)-P(:,i))+c2*r2*(globe-P(:,i));%速度更新
P(:,i)=P(:,i)-V(:,i); %位置更新
end
%%评价每个粒子适应值，更新个体最优 P_p 和全局最优 globe%%
for j=1:N
xx=P(:,j)';
fz1(j)=Fitness_Function(xx,F_n);
if fz1(j)<fz(j)
P_p(:,j)=P(:,j);
fz(j)=fz1(j);
end
if fz1(j)<P_g
P_g=fz1(j);
end
end
[P_g1 I]=min(fz);
P_gg(itrtn)=P_g1;
globe=P_p(:,I);
end
for itrtn=Tmax/10:Tmax %%%后一段时间按照标准粒子群算法进行
time(itrtn)=itrtn;
r1=rand(1);r2=rand(1);
for i=1:N
V(:,i)=0.7298*V(:,i)+1.49445*r1*(P_p(:,i)-P(:,i))+1.49445*r2*(globe-P(:,i));%速度更新
P(:,i)=P(:,i)+V(:,i); %位置更新
end
%%速度限制%%
for i=1:N
jj=1;
K=ones(D,1);
for row=1:D
if V(row,i)>Vmax(row)
K(jj)=Vmax(row)/V(row,i);
jj=jj+1;
elseif V(row,i)<Vmin(row)
K(jj)=Vmin(row)/V(row,i);
jj=jj+1;
else
end
end
Kmin=min(K);
for row=1:D
if V(row,i)>Vmax(row)
V(row,i)=V(row,i)*Kmin;
elseif V(row,i)<Vmin(row)
V(row,i)=V(row,i)*Kmin;
else
end
end
end
%%位置限制%%
for i=1:N
for row=1:D
if P(row,i)>Xmax(row)
P(row,i)=Xmax(row);
elseif P(row,i)<Xmin(row)
P(row,i)=Xmin(row);
else
end
end
end
%%重新评价每个粒子适应值，更新个体最优 P_p 和全局最优 globe%%
for j=1:N
xx=P(:,j)';
fz1(j)=Fitness_Function(xx,F_n);
if fz1(j)<fz(j)
P_p(:,j)=P(:,j);
fz(j)=fz1(j);
end
if fz1(j)<P_g
P_g=fz1(j);
end
end
[P_g1 I]=min(fz);
P_gg(itrtn)=P_g1;
globe=P_p(:,I);
if P_gg(itrtn)<eps
break;
end
end
%%画‘评价值’变化曲线%%
figure(1);
BestFitness_plot(time,P_gg);
disp('*************************************************************')
disp('混合粒子群算法得到的最优位置为：')
globe
disp('最优值为：')
P_gg(itrtn)
disp('程序运行总时间为：')
disp(['',num2str(etime(clock,t1))]);
save d P_gg
function BestFitness_plot(time,P_gg)
plot(time,P_gg);
xlabel('迭代的次数');ylabel('适应度值');
function [P,V]=initial_P_V(D,N,Xmax,Xmin,Vmax,Vmin)
for i=1:D
P(i,:)=Xmin(i)+(Xmax(i)-Xmin(i))*rand(1,N);
V(i,:)=Vmin(i)+(Vmax(i)-Vmin(i))*rand(1,N);
end
function Fitness=Fitness_Function(X,F_n)
global D N
switch F_n
case 1
%% f4_griewank %%
res1=X(:)'*X(:)/4000;
res2=1;
for row=1:D
res2=res2*cos(X(row)/sqrt(row));
end
Func_Griewank=res1-res2+1;
Fitness=Func_Griewank;
end
混合粒子群算法应griewank函数优化中，matlab函数优化的仿真实验也表明了该算法能有效地改善粒子群算法的收敛时间及收敛率
需积分: 5 88 浏览量
2022-04-17
14:52:34
上传
评论 1
收藏 6KB ZIP 举报
griewank.zip （4个子文件） 
griewank 
pso4hunhe.m 4KB pso4bianfangxiang.m 4KB pso4biaozhun.m 3KB pso4bianquanzhi.m 3KB
评论0