PSO.rar_PSO_optimization_pso fitness.m_pso算法_粒子群

%%全局粒子群标准算法（PSO） %算法开始 clc,clear; %% ---------------------参数的初始化-------------------------%% n=1; % 自变量个数 popsize=30; % 粒子数 %一般情况下，粒子数20~40，惯性因子0.6~0.75，权重系数都为2 w=0.6; % 惯性权重 c1=2; % 跟踪自己历史最优值的权重系数 c2=2;%跟踪群体最优值的权重系数 Vmax=2; % 粒子的最大速度 Vmin=-2; % 粒子的最小速度 generation=100; % 迭代次数 xmax=4; % 定义粒子的移动范围 xmin=-3; %即自变量的定义域 %% ----------------------初始化粒子群-------------------------%% % 初始化位置 x=-3+10*rand(popsize,n); %注意改变初始位置和速度 % 初始化速度 v=-2+4*rand(popsize,n); % 计算个体适应度函数值 for i=1:popsize y(i)=fitness(x(i,:)); % 适应度函数 end % 初始时的局部最优 pbest=x; % 位置 pbestval=y; % 初始时的全局最优 [gbestval,gbestindex]=min(y); gbest(1,:)=pbest(gbestindex,:); % 全局最优值的位置 可以是一个也可以是一组数 %% ----------------------迭代循环--------%%%%%%%%% for k=1:generation for i=1:popsize y(i)=fitness(x(i,:)); if y(i)<pbestval(i) %（当前值与个体历史最优值对比） 寻找个体的历史最优值，局部最优 pbestval(i)=y(i); % 变换个体历史最优 pbest(i,:)=x(i,:); % 记录个体的历史最优值所在的位置，目标函数中x1，x2的值，即三维图像中的x轴和y轴坐标 end end [gbestval(k),gbestindex]=min(pbestval); % 寻找粒子群中最优值，全局最优 gbest(k,:)=pbest(gbestindex,:); % 记录粒子群中最优值的位置 % 更新速度和位置 for i=1:size(v,1)%计算v的行数 % 更新速度 v(i,:)=w*v(i,:)+c1*rand*(pbest(i,:)-x(i,:))+c2*rand*(x(gbestindex,:)-x(i,:)); % 限制最大速度和最小速度 for j=1:size(v,2)%计算v的列数 if v(i,j)>Vmax v(i,j)=Vmax; elseif v(i,j)<Vmin v(i,j)=Vmin; end end % 更新位置 x(i,:)=x(i,:)+v(i,:); % 限制位置的最大值和最小值 for j=1:size(v,2) if x(i,j)>xmax x(i,j)=xmax; elseif x(i,j)<xmin x(i,j)=xmin; end end end end %% ------------------绘制迭代结果曲线及原图像-----%%% figure plot(1:generation,gbestval,'LineWidth',2) grid on title('迭代曲线') xlabel('迭代次数') ylabel('每代的全局最优值') % 原函数图像 figure x1=[-5:0.01:5]; x2=[-5:0.01:5]; for i=1:length(x1) for j=1:length(x2) f(i,j)=fitness([x1(i),x2(j)]); end end [X Y]=meshgrid(x1,x2); mesh(X,Y,f); hold on % 在三维图像中画出每代的全局最优质的位置 % plot3(gbest(:,1),gbest(:,2),gbestval,'bp','MarkerSize',15)