matlab.rar_遗传算法 _遗传算法 matlab

废话不说了，下面是matlab仿真程序： % function [bestparticle,tarce] = pso(range,swarminit,gen,EVALFCN,c1,c2,w0,w1,vmax,smax) % PSO优化过程,这是适应度越小越好的情况,对应于误差 % bestparticle-保存历史最佳粒子 S维 % trace-纪录最佳适应度的改变过程 gen维 % range-位移要保持的范围 % swarminit-初始粒子群 % gen-最多迭代代数 % EVALFCN-适应度函数名 % c1,c2,w0,w1-pso相关参数的设置 % vmax-最大限制速度 % smax-最大限制位移 function [bestparticle,trace] = pso(range,swarminit,gen,EVALFCN,c1,c2,w0,w1,vmax,smax) [popu,S] = size(swarminit); velocityinit = vmax .* (2 .* rand(popu,S) - 1); % 速度初始化为-range +range之间 trace = ones(1,gen); trace(1) = 10000; % 初始全局最佳适应度设为足够大 for i = 1:popu bestfit(i) = 10000; % 初始个体历史最佳适应度设为足够大 end bestpar = swarminit; % 个体历史最佳粒子初始化 for step = 1:gen fprintf(1,'%d ',step); str = [EVALFCN,'(swarminit)']; fitlist = eval(str); % 计算当前粒子群每个粒子的适应度 [minval,sub] = min(fitlist); % 求得这代粒子的适应度最小值及其下标 if(trace(step) > minval) fprintf(1,'%d %f\n',step,minval); trace(step) = minval; bestparticle = swarminit(sub,:); end if(step ~= gen) trace(step + 1) = trace(step); % 全局最佳适应度及最佳粒子调整 end for i = 1:popu if(bestfit(i) > fitlist(i)) bestfit(i) = fitlist(i); bestpar(i,:) = swarminit(i,:); end end % 个体历史最佳粒子及适应度调整 %w = w0 - w1 * (step / gen); % 惯性权值的调整 w=0.2; for i = 1:popu for j = 1:S r1 = rand(1,1); r2 = rand(1,1); velocityinit(i,j) = w * velocityinit(i,j) + c1 * r1 * (bestpar(i,j) - swarminit(i,j)) +... c2 * r2 * (bestparticle(j) - swarminit(i,j)); if(velocityinit(i,j) > vmax) velocityinit(i,j) = vmax; %'速度+越界' end if(velocityinit(i,j) < -vmax) velocityinit(i,j) = -vmax; %'速度-越界' end % 如果速度越界,速度取那方面最大值 swarminit(i,j) = swarminit(i,j) + velocityinit(i,j); % if(swarminit(i,j) > smax) % swarminit(i,j) = smax; % '位移+越界' % end % 如果位移越界,位移重新初始化 % if(swarminit(i,j) < -smax) % swarminit(i,j) = -smax; % '位移-越界' % end % 如果位移越界,位移重新初始化 end end end 经试验：该算法在优化方面性能比较好，可用于函数极值，解方程，并且在前向神经网络权值和网络结构的训练也表现了不错的性能