PSO_K.rar_C++ PSO聚类_PSO_PSO聚类_pso matlab

#include <iostream> #include <fstream> #include <stdlib.h> #include <time.h> #include <stdio.h> #include <afx.h> #include <string.h> #include <math.h> using namespace std; #define square(x) ((x)*(x)) #define DIMEN_MAX 20 #define POP_MAX 40 // 粒子群群体规模 #define coe 1 //粒子适应度系数 #define LOOP_MAX 10000 //循环最大次数 #define WU 0.9 //权重系数 #define WB 0.4 //权重系数 #define C1 2.0 //调节参数 #define C2 2.0 //调节参数 #define RANGE 1000.0 #define START -500.0 #define V_MAX 1000 //速度最大值 #define FRAND() (double(rand())/RAND_MAX) //随机的位于0到1之间的数 //二维结构体 struct point2d { public: double x,y; int cluster[POP_MAX]; //所属类号 }; point2d * centroid; //存放中心点 point2d * set; //存放样本点 //int *nb; //纪录类的个数 //粒子结构体 struct particle { point2d position[DIMEN_MAX]; //位置，二维的 point2d velocity[DIMEN_MAX]; //速度，二维的  point2d pos_best[DIMEN_MAX]; //最优位置，二维的 double solution; //粒子适应度 double pbest; //经历过的最好位置 int nb[DIMEN_MAX]; //纪录此粒子各类的数目 }pops[POP_MAX]; int gbest_no=0; //位于群体最好位置的粒子的编号 double gbest=pops[0].pbest; // 群体所有微粒经历过的最好位置初始设置为第一个粒子的最好位置 //随机生成点坐标，写入txt文件 void rand_k(int p_count) { ofstream fout; //定义一个文件输出流对象 ifstream fin; //定义一个文件输入流对象 double pointx,pointy,xup,xlow,yup,ylow; cout <<"输入坐标X范围:"<<endl; cin >>xlow>>xup; cout <<"输入坐标Y范围:"<<endl; cin >>ylow>>yup; cout<<"请稍等..."<<endl; fout.open("source.txt"); //打开(生成)source.txt作为输出流 //生成随机x，y坐标值 for(int i=1;i<=p_count;i++) { pointx=(double)rand()/RAND_MAX; pointx=xlow+pointx*(xup-xlow); pointy=(double)rand()/RAND_MAX; pointy=ylow+pointy*(yup-ylow); fout << pointx <<'*'<< pointy <<endl; //写出到txt，中间用*隔开 } fout.close(); //关闭输出流 } //读入点坐标，存入数组中 void read_k(int p_count,int k,int in){ int i,j,len; int i_cpy; set=new point2d[p_count]; centroid=new point2d[k]; //生成二维坐标对象 //nb=new int[k]; CStdioFile file; CString str; file.Open("source.txt",CFile::modeRead,NULL); //打开source.txt，准备读数据 for(i_cpy=0;i_cpy<p_count;i_cpy++){ file.ReadString(str); //读出数据，放入str中 len=str.GetLength(); //获得str长度 char *ch = (char *) malloc(len*sizeof(char)); sprintf(ch,"%s",str); //将数据放入数组ch中，便于分割出x，y for(i=0;i<15;i++){ if(ch[i]=='*') break; } char *chf = (char *) malloc(i*sizeof(char)); char *chb = (char *) malloc((len-i-1)*sizeof(char)); strncpy(chf,ch,i); //将数组ch的前半部分即坐标x的部分放入chf for(i=i+1,j=0;i<=len;i++,j++) chb[j]=ch[i];//将数组ch的后半部分即坐标y的部分放入chb set[i_cpy].x=atof(chf); set[i_cpy].y=atof(chb); //分别将x，y转换为double型付给二维结构体的相应部分 set[i_cpy].cluster[in]=(int)((k-1)*FRAND()); //************应该在此随机分给某一类？？ } } //计算中心点坐标 void KMeansCluster(int p_count,int k,int in) { int i,j,cl; for(j=0;j<k;j++) { pops[in].nb[j]=0; //记录此类的个数 centroid[j].x=centroid[j].y=0; //将中心的x，y坐标值设为0 } for(i=0;i<p_count;i++) { cl=set[i].cluster[in]; centroid[cl].x+=set[i].x; centroid[cl].y+=set[i].y; //实现x，y坐标值的累加 pops[in].nb[cl]++; //类数目自加 } } //集合划分，最近邻法则 void KMeansAssign(int p_count,int k,int in) { int i,j,winner; double dist,distmin; for(i=0;i<p_count;i++) { distmin=1.0e8; for(j=0;j<k;j++) { //计算每个点分别到k个聚类中心的距离 //SQRT 函数[数字]. 功能. 返回一个数字的平方根 dist=sqrt(square(set[i].x-pops[in].position[j].x)+square(set[i].y-pops[in].position[j].y)); //如果dist小于最小距离就将dist设为最小距离，且将此类号付给winner if (dist<distmin) {distmin=dist; winner=j;} } set[i].cluster[in]=winner; //将此二维点归为第j类 } } //计算粒子的适应度 double Deg_Adapt(int p_count,int k,int in){ int i,j; double ada,dist,sum,Jc=0; for(j=0;j<k;j++){ for(i=0;i<p_count;i++){ sum=0; if(set[i].cluster[in]==j){ dist=sqrt(square(set[i].x-pops[in].position[j].x)+square(set[i].y-pops[in].position[j].y)); sum+=dist;} } Jc+=sum; } ada=coe/Jc; return ada; } //初始化粒子群 void initial_particle(int p_count,int k,int size){ int i,j; srand((unsigned)time(NULL)); for (i=0;i<size;i++ ){ cout<<"第"<<i<<"个"<<endl; read_k(p_count,k,i); KMeansCluster(p_count,k,i); for(j=0;j<k;j++){ if (pops[i].nb[j]>0) {centroid[j].x/=pops[i].nb[j];centroid[j].y/=pops[i].nb[j];} //计算新的聚类中心坐标 pops[i].position[j]=centroid[j]; pops[i].velocity[j].x=FRAND()*V_MAX; pops[i].velocity[j].y=FRAND()*V_MAX; //cout <<"Class "<<j<<" "<<nb[j]<<" "<<centroid[j].x<<" "<<centroid[j].y<<endl; cout <<j<<endl; cout <<pops[i].velocity[j].x<<endl; cout <<pops[i].velocity[j].y<<endl; pops[i].nb[j]=0; } pops[i].solution=Deg_Adapt(p_count,k,i); pops[i].pbest=-1e9; //设置粒子初始最好位置 } } //更新粒子经历过的最好位置和群体经历过的最好位置 void evaluate(int k,int size) { int i,j; for (j=0;j<size;j++){ if (pops[j].solution>pops[j].pbest){ pops[j].pbest=pops[j].solution; for(i=0;i<k;i++) pops[j].pos_best[i]=pops[j].position[i]; } if (pops[j].pbest>gbest) { gbest_no=j; gbest=pops[j].pbest; } } } //调整粒子的位置和速度 void move(int loop_no,int k,int size) { int i,j; float weight=WU-(WU-WB)*(loop_no/LOOP_MAX); for (j=0;j<size;j++){ for (i=0;i<k;i++){ pops[j].velocity[i].x=weight*pops[j].velocity[i].x +C1*FRAND()*(pops[j].pos_best[i].x-pops[j].position[i].x) +C2*FRAND()*(pops[gbest_no].pos_best[i].x-pops[j].position[i].x); pops[j].velocity[i].y=weight*pops[j].velocity[i].y +C1*FRAND()*(pops[j].pos_best[i].y-pops[j].position[i].y) +C2*FRAND()*(pops[gbest_no].pos_best[i].y-pops[j].position[i].y); if (pops[j].velocity[i].x>V_MAX) pops[j].velocity[i].x=V_MAX; else if(pops[j].velocity[i].x<-V_MAX) pops[j].velocity[i].x=-V_MAX; if (pops[j].velocity[i].y>V_MAX) pops[j].velocity[i].y=V_MAX; else if(pops[j].velocity[i].y<-V_MAX) pops[j].velocity[i].y=-V_MAX; pops[j].position[i].x+=pops[j].velocity[i].x; pops[j].position[i].y+=pops[j].velocity[i].y; if(pops[j].position[i].x<START) pops[j].position[i].x=START; else if(pops[j].position[i].x>START+RANGE) pops[j].position[i].x=START+RANGE; if(pops[j].position[i].y<START) pops[j].position[i].y=START; else if(pops[j].position[i].y>START+RANGE) pops[j].position[i].y=START+RANGE; } } } //k均值算法优化新一代粒子 void KMeans(int p_count,int k,int size,int in){ int i,j; for (i=0;i<size;i++){ KMeansAssign(p_count,k,i); KMeansCluster(p_count,k,i); for(j=0;j<k;j++){ if (pops[i].nb[j]>0) {centroid[j].x/=pops[i].nb[j];centroid[j].y/=pops[i].nb[j];} //计算新的聚类中心坐标 pops[i].position[j]=centroid[j]; } pops[i].solution=Deg_Adapt(p_count,k,i); } } void main(){ int P_count,K,N; int loop_no=1; int i,j; CString xh; CString lj="result/result"; CString hz=".txt"; ofstream fout; //定义一个文件输出流对象 ifstream fin; //定义一个文件输入流对象 srand((unsigned)time(NULL));