GAPSO.zip_GA_GAPSO_PSO_optimization_遗传粒子群

D=2;%维数 一般是自变量个数 此时速度与位置都用两个变量表示

w = 1;

NP=12;%种群规模 D 的五倍到十倍

%学习因子 c1 c2 范围在 0-4

c1 = 1.5;

c2 = 1.5;

gen_max=1000;%最大进化代数

bounds_p=ones(D,2);%定义位置的取值边界

bounds_p(:,1)=-100;%取值下界

v=ones(NP,1)*bounds_v(:,1)'+(ones(NP,1)*(bounds_v(:,2)'-bounds_v(:,1)')) .*(rand(NP,D));%初始

种群速度信息，使位置都位于最大值与最小值间，最后形成 NP 行 2 列的矩阵

count=1;%进化代数

cost=zeros(NP,1);%存放个体的适应值，初始化为 NP 行一列的零矩阵

cost(1)=fitnessrevisemodel(x(1,:));%计算第一个个体适应值

fitness_zbest=cost(1);%存放全局最优值，假设第一个个体便是最优值

zbest=x(1,:);%存放全局对应最优值的解

for i2=2:NP %计算初始种群中的最优值和最优值对应的解

cost(i2)=fitnessrevisemodel(x(i2,:));

if(cost(i2)<= fitness_zbest)

gbest = x; %存放个体最优值，因为此时个体仅仅产生了一次，所以就取当前这一次为最优值

fitness_gbest = cost; %存放个体最优适应值，因为此时个体仅仅产生了一次，所以就取当前

while(count<gen_max)%循环终止条件是达到最大的进化代数

for i2=1:NP

%速度更新

v(i2,:) = w * v(i2, :) + c1 * rand * (gbest(i2, :) - x(i2, :)) + c2 * rand * (zbest - x(i2, :)); %速

度更新公式，考虑个体最优值与总体最优值

v(i2, find(v(i2, :) > 100)) = 100; %如果第 i2 个个体的速度（用一行两列矩阵表示，这

一行任一列大于 100 均要改变）大于最大速度 100，即改为 100

v(i2, find(v(i2, :) < -100)) = -100; %如果第 i2 个个体的速度（用一行两列矩阵表示，这

一行任一列小于-100 均要改变）小于最小速度 100，即改为-100

if rand > 0.8

k = ceil(2 * rand);

x(i2, k) = rand;

end

%因为上述的 x 的第 i2 个个体更新，所以第 i2 个个体适应值也要更新