m1_粒子群算法目标函数_源码

%% 清空环境 clc;clear all;close all; %% 目标函数 % 该函数的变量是一个3*4的矩阵形式的变量 % cons1=@(X)(1);表示无约束条件 % cons1=@(X)(sum(sum(X))>=0);可以尝试添加约束条件 a=[2.5,4.5,-2]; b=[2;4.2;4;-4]; c=[1,2,3,4;-4,-3,-2,-1;1,3,2,4]; fun= @(X)(sum(sum(c.*X.^2))+a*X*b); cons1=@(X)(sum(sum(X))>=0); %% 设置种群参数 % 需要自行配置 % 下文中所有出现dim2，或者：的地方，都需要根据实际的矩阵维度来进行更改 sizepop = 500; % 初始种群个数 dim1 = 3; % 空间维数 dim2 = 4; ger = 500; % 最大迭代次数 xlimit_max = 50*ones(dim1,dim2,1); % 设置位置参数限制(矩阵的形式可以多维) xlimit_min = -50*ones(dim1,dim2,1); vlimit_max = 1*ones(dim1,dim2,1); % 设置速度限制 vlimit_min = -1*ones(dim1,dim2,1); c_1 = 0.8; % 惯性权重 c_2 = 0.5; % 自我学习因子 c_3 = 0.5; % 群体学习因子 %% 生成初始种群 % 首先随机生成初始种群位置 % 然后随机生成初始种群速度 % 然后初始化个体历史最佳位置，以及个体历史最佳适应度 % 然后初始化群体历史最佳位置，以及群体历史最佳适应度 for i_1=1:dim1 for i_2=1:dim2 for j=1:sizepop pop_x(i_1,i_2,j) = xlimit_min(i_1,i_2)+(xlimit_max(i_1,i_2) - xlimit_min(i_1,i_2))*rand; % 初始种群的位置 pop_v(i_1,i_2,j) = vlimit_min(i_1,i_2)+(vlimit_max(i_1,i_2) - vlimit_min(i_1,i_2))*rand; % 初始种群的速度 end end end gbest = pop_x; % 每个个体的历史最佳位置 for j=1:sizepop % 每个个体的历史最佳适应度 if cons1(pop_x(:,:,j)) % 约束条件 fitness_gbest(j)=fun(pop_x(:,:,j)); else fitness_gbest(j) = 10^10; end end zbest = pop_x(:,:,1); % 种群的历史最佳位置 fitness_zbest = fitness_gbest(1); % 种群的历史最佳适应度 for j=1:sizepop if fitness_gbest(j) < fitness_zbest % 如果求最小值，则为<; 如果求最大值，则为>; zbest = pop_x(:,:,j); fitness_zbest=fitness_gbest(j); end end %% 粒子群迭代 % 更新速度并对速度进行边界处理 % 更新位置并对位置进行边界处理 % 进行自适应变异 % 进行约束条件判断并计算新种群各个个体位置的适应度 % 新适应度与个体历史最佳适应度做比较 % 个体历史最佳适应度与种群历史最佳适应度做比较 % 再次循环或结束 iter = 1; %迭代次数 record = zeros(ger, 1); % 记录器 while iter <= ger for j=1:sizepop % 更新速度并对速度进行边界处理 pop_v(:,:,j)= c_1 * pop_v(:,:,j) + c_2*rand*(gbest(:,:,j)-pop_x(:,:,j))+c_3*rand*(zbest-pop_x(:,:,j));% 速度更新 for i_1=1:dim1 for i_2=1:dim2 if pop_v(i_1,i_2,j) > vlimit_max(i_1,i_2) pop_v(i_1,i_2,j) = vlimit_max(i_1,i_2); end if pop_v(i_1,i_2,j) < vlimit_min(i_1,i_2) pop_v(i_1,i_2,j) = vlimit_min(i_1,i_2); end end end % 更新位置并对位置进行边界处理 pop_x(:,:,j) = pop_x(:,:,j) + pop_v(:,:,j);% 位置更新 for i_1=1:dim1 for i_2=1:dim2 if pop_x(i_1,i_2,j) > xlimit_max(i_1,i_2) pop_x(i_1,i_2,j) = xlimit_max(i_1,i_2); end if pop_x(i_1,i_2,j) < xlimit_min(i_1,i_2) pop_x(i_1,i_2,j) = xlimit_min(i_1,i_2); end end end % 进行自适应变异 if rand > 0.85 i_1=ceil(dim1*rand); i_2=ceil(dim2*rand); pop_x(i_1,i_2,j)=xlimit_min(i_1,i_2) + (xlimit_max(i_1,i_2) - xlimit_min(i_1,i_2)) * rand; end % 进行约束条件判断并计算新种群各个个体位置的适应度 if cons1(pop_x(:,:,j)) % 约束条件 fitness_pop(j) = fun(pop_x(:,:,j)); % 当前个体的适应度 else fitness_pop(j) = 10^10; end % 新适应度与个体历史最佳适应度做比较 if fitness_pop(j) < fitness_gbest(j) % 如果求最小值，则为<; 如果求最大值，则为>; gbest(:,:,j) = pop_x(:,:,j); % 更新个体历史最佳位置 fitness_gbest(j) = fitness_pop(j); % 更新个体历史最佳适应度 end % 个体历史最佳适应度与种群历史最佳适应度做比较 if fitness_gbest(j) < fitness_zbest % 如果求最小值，则为<; 如果求最大值，则为>; zbest = gbest(:,:,j); % 更新群体历史最佳位置 fitness_zbest=fitness_gbest(j); % 更新群体历史最佳适应度 end end record(iter) = fitness_zbest;%最大值记录 iter = iter+1; end %% 迭代结果输出 plot(record);title('收敛过程') disp(['最优值：',num2str(fitness_zbest)]); disp('变量取值：'); disp(zbest);