PSO.rar_dressnrs_pso matlab

function[xm,fv] = PSO(fitness,N,c1,c2,w,M,D) %参数值需要根据具体的模型进行赋值 %fitness 目标函数的适应度 %c1,c2 学习因子 %N 粒子群中的个体数目 %M 最大迭代次数 %D 搜索空间的维数 %w 惯性权重 %%%%%%%%%%初始化粒子群 format long; for i = 1:N for j = 1:D x(i,j) = randn; %随机指定粒子的初始位置 v(i,j) = randn; %随机指定粒子的初始速度 end end %%%%%%%%%计算各个粒子的适应度，初始化pi和pg for i = 1:N P(i) = fitness(x(i,:)); y(i,:) = x(i,:); end pg = x(N,:); for i = 1:(N-1) if fitness(x(i,:)) < fitness(pg) %当目标的自适应都小于全局极值的自适应度时，将目标的自适应度数值赋给全局极值 pg = x(i,:); end end %%%%%%%%%开始主循环，按照速度和位置的公式进行迭代运算，直至满足精度要求为止 for t = 1:M for i = 1:N v(i,:) = w*v(i,:)+c1*rand*(y(i,:))+c2*rand*(pg-x(i,:)); %速度迭代 x(i,:) = x(i,:)+v(i,:); %位移迭代 if fitness(x(i,:)) < p(i) p(i) = fitness(x(i,:)); y(i,:) = x(i,:); end if p(i) < fitness(pg) pg = y(i,:); end end pbest(t) = fitness(pg); end %%%%%%%%给出计算的结果 disp('*************') disp('目标函数取最小值时的自变量：') xm = pg' disp('目标函数的最小值：') fv = fitness(pg) disp('*************')