智能算法之粒子群优化算法代码_粒子群_优化_智能粒子群算法_智能算法_源码

粒子群算法基本步骤 1 找出待优化的目标函数 2 设定种群规模大小（不会设置可直接采用下方代码的） 3 替换掉下方公式即可 %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式 % 求这个函数的最大值 figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置 end v = rand(N, d); % 初始种群的速度 xm = x; % 每个个体的历史最佳位置 ym = zeros(1, d); % 种群的历史最佳位置 fxm = zeros(N, 1); % 每个个体的历史最佳适应度 fym = -inf; % 种群历史最佳适应度 hold on plot(xm, f(xm), 'ro');title('初始状态图'); figure(2) %% 群体更新 iter = 1; record = zeros(ger, 1); % 记录器 while iter <= ger fx = f(x) ; % 个体当前适应度 for i = 1:N if fxm(i) < fx(i) fxm(i) = fx(i); % 更新个体历史最佳适应度 xm(i,:) = x(i,:); % 更新个体历史最佳位置 end end if fym < max(fxm) [fym, nmax] = max(fxm); % 更新群体历史最佳适应度 ym = xm(nmax, :); % 更新群体历史最佳位置 end v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新 % 边界速度处理 v(v > vlimit(2)) = vlimit(2); v(v < vlimit(1)) = vlimit(1); x = x + v;% 位置更新 % 边界位置处理 x(x > limit(2)) = limit(2); x(x < limit(1)) = limit(1); record(iter) = fym;%最大值记录 x0 = 0 : 0.01 : 20; plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化') pause(0.1) iter = iter+1; end figure(3);plot(record);title('收敛过程') x0 = 0 : 0.01 : 20; figure(4);plot(x0, f(x0), 'b-', x, f(x), 'ro');title('最终状态位置') disp(['最大值：',num2str(fym)]); disp(['变量取值：',num2str(ym)]);