[matlab] 6.粒子群优化算法
粒子群优化(PSO, particle swarm optimization)算法是计算智能领域,除了蚁群算法,鱼群算法之外的一种群体智能的优化算法,该算法最早由Kennedy和Eberhart在1995年提出的,该算法源自对鸟类捕食问题的研究。
实例分析1:
根据PSO算法思路求y最大值 ,其中x取值区间为[-5,5]
matlab代码如下:
%% I. 清空环境
clc
clear all %% II. 绘制目标函数曲线图
x = -5:0.01:5;
y = 2.1*(1-x+5*x.^3).*exp(-x.^2/2)-x.^2;
figure
plot(x, y)
hold on %% III. 参数初始化 这里默认惯性因子为1
c1 = 1.49445; %加速常数 取Eberhart的参考值
c2 = 1.49445; %加速常数 取Eberhart的参考值 maxgen = 30; % 进化次数
sizepop = 100; %种群规模 Vmax = 0.5; %速度步长上限
Vmin = -0.5; %速度步长下限
popmax = 5; % x的上限
popmin = -5; % x的下限 %% IV. 产生初始粒子和速度
for i = 1:sizepop
% 随机产生一个种群
pop(i,:) = -10*rands(1)+5; %产生[-5,5]的初始种群
V(i,:) = 0.5 * rands(1); %初始化[-0.5,0.5]速度
% 利用fun.m子函数,计算适应度并存储到fitness(i)中
fitness(i) = fun(pop(i,:));
end %% V. 个体极值和群体极值
[bestfitness, bestindex] = max(fitness);
zbest = pop(bestindex,:); %全局最佳
gbest = pop; %个体最佳
fitnessgbest = fitness; %个体最佳适应度值
fitnesszbest = bestfitness; %全局最佳适应度值 %% VI. 迭代寻优
for i = 1:maxgen for j = 1:sizepop
% 速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,V(j,:)>Vmax) = Vmax;
V(j,V(j,:)<Vmin) = Vmin; % 种群更新
pop(j,:) = pop(j,:) + V(j,:);
pop(j,pop(j,:)>popmax) = popmax;
pop(j,pop(j,:)<popmin) = popmin; % 适应度值更新
fitness(j) = fun(pop(j,:));
end for j = 1:sizepop
% 个体最优更新
if fitness(j) > fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end % 群体最优更新
if fitness(j) > fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i) = fitnesszbest;
end %% VII. 输出结果并绘图
[fitnesszbest zbest];
plot(zbest, fitnesszbest,'r.','MarkerSize',10)
plot(zbest, fitnesszbest,'ro','MarkerSize',16)
x_text=['x=',num2str(zbest)]; % x横坐标转换为字符串
y_text=['y=',num2str(fitnesszbest)]; % y横坐标转换为字符串
max_text=char('全局最优',x_text,y_text); % 生成标志最大值点的字符串
text(zbest+0.3, fitnesszbest-1.4,max_text) %图上绘出全局最优的数据值
figure
plot(yy)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
main.m
function y = fun(x)
% 函数用于计算粒子适应度值
%x input 输入粒子
%y output 粒子适应度值
y = 2.1*(1-x+5*x.^3).*exp(-x.^2/2)-x.^2;
fun.m
实例分析2:
根据PSO算法思路求z最大值 ,其中x,y取值区间为[-5,5]
%% I. 清空环境
clc
clear %% II. 绘制目标函数曲线
figure
[x,y] = meshgrid(-5:0.01:5,-5:0.01:5);
z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20;
surf(x,y,z)
shading flat; %去除网格线
hold on %% III. 参数初始化
c1 = 1.49445;
c2 = 1.49445; maxgen = 300; % 进化次数
sizepop = 100; %种群规模 Vmax = 1;
Vmin = -1;
popmax = 5;
popmin = -5; %% IV. 产生初始粒子和速度
for i = 1:sizepop
% 随机产生一个种群
pop(i,:) = 5*rands(1,2); %初始种群
V(i,:) = rands(1,2); %初始化速度
% 计算适应度
fitness(i) = fun(pop(i,:)); %染色体的适应度
end %% V. 个体极值和群体极值
[bestfitness bestindex] = max(fitness);
zbest = pop(bestindex,:); %全局最佳
gbest = pop; %个体最佳
fitnessgbest = fitness; %个体最佳适应度值
fitnesszbest = bestfitness; %全局最佳适应度值 %% VI. 迭代寻优
for i = 1:maxgen for j = 1:sizepop
w=1; %这里惯性因子w设为1,过小会导致局部最优 过大导致搜索粗糙 一般建议取0.6-0.75
% 速度更新
V(j,:) = w*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax)) = Vmax;
V(j,find(V(j,:)<Vmin)) = Vmin; % 种群更新
pop(j,:) = pop(j,:) + V(j,:);
pop(j,find(pop(j,:)>popmax)) = popmax;
pop(j,find(pop(j,:)<popmin)) = popmin; % 适应度值更新
fitness(j) = fun(pop(j,:));
end for j = 1:sizepop
% 个体最优更新
if fitness(j) > fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end % 群体最优更新
if fitness(j) > fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i) = fitnesszbest;
end
%% VII.输出结果
[fitnesszbest, zbest]
plot3(zbest(1), zbest(2), fitnesszbest,'r.','MarkerSize',20)
plot3(zbest(1), zbest(2), fitnesszbest,'ro','MarkerSize',16)
x_text=['x=',num2str(zbest(1))]; % x横坐标转换为字符串
y_text=['y=',num2str(zbest(2))]; % y横坐标转换为字符串
z_text=['z=',num2str(fitnesszbest)]; %全局最优值z转换为字符串
max_text=char('全局最优',x_text,y_text,z_text); % 生成标志最大值点的字符串
text(zbest(1)+0.3,zbest(2)+0.3, fitnesszbest-1.4,max_text) %图上绘出全局最优的数据值
figure
plot(yy)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
main.m
function y = fun(x)
%函数用于计算粒子适应度值
%y output 粒子适应度值
y = x(1).^2 + x(2).^2 - 10*cos(2*pi*x(1)) - 10*cos(2*pi*x(2)) + 20;
fun.m
其中要注意的是惯性因子ω越大,粒子飞行的速度和位置更新的幅度就越大,偏离原先寻优轨道的程度也就越大,从而发现新的解域;相反,如果惯性因子ω越小,有利于局部寻优,提高搜索精度,惯性因子ω的大小决定了粒子对当前速度继承的多少.
所以实际操作中开始将惯性因子设置得较大,然后再迭代的过程中逐步减小,这样可以使得粒子群在开始优化时得到较大的解空间,后期逐渐收缩到较好的区域进行更精细化的搜索,以加快收敛与精度.
为了更好的平衡全局搜索与局部搜索,故提出线性递减惯性权重LDIW(linear decreasing inertia weight)
ω(k)=ω(start)-(ω(start)-w(end))(T(max)-k)/T(max)
其中ω(start)为初始惯性权重,一般取0.9,w(end)为迭代至最大次数时的惯性权重,一般取0.4,k为当前迭代次数,T(max)为最大迭代次数.
ws = 0.9;
we = 0.4;
maxgen = 300;
hold on; for k = 1:maxgen
w(k) = ws - (ws-we)*(k/maxgen);
end
plot(w,'linewidth',3); for k = 1:maxgen
w(k) = ws - (ws-we)*(k/maxgen)^2;
end
plot(w,'r-.','linewidth',3); for k = 1:maxgen
w(k) = ws - (ws-we)*(2*k/maxgen-(k/maxgen)^2);
end
plot(w,'k--.','linewidth',3); for k = 1:maxgen
w(k) = we * (ws/we)^(1/(1+10*k/maxgen));
end
plot(w,'--','linewidth',3); legend('线性惯性权重递减','常用权重2','常用权重3','常用权重4')
xlabel('迭代次数')
ylabel('速度更新权重W')
速度更新权重ω的选择
[matlab] 6.粒子群优化算法的更多相关文章
- MATLAB粒子群优化算法(PSO)
MATLAB粒子群优化算法(PSO) 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 一.介绍 粒子群优化算法(Particle Swarm Optim ...
- 粒子群优化算法PSO及matlab实现
算法学习自:MATLAB与机器学习教学视频 1.粒子群优化算法概述 粒子群优化(PSO, particle swarm optimization)算法是计算智能领域,除了蚁群算法,鱼群算法之外的一种群 ...
- 粒子群优化算法对BP神经网络优化 Matlab实现
1.粒子群优化算法 粒子群算法(particle swarm optimization,PSO)由Kennedy和Eberhart在1995年提出,该算法模拟鸟集群飞行觅食的行为,鸟之间通过集体的协作 ...
- [Algorithm] 群体智能优化算法之粒子群优化算法
同进化算法(见博客<[Evolutionary Algorithm] 进化算法简介>,进化算法是受生物进化机制启发而产生的一系列算法)和人工神经网络算法(Neural Networks,简 ...
- 计算智能(CI)之粒子群优化算法(PSO)(一)
欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 计算智能(Computational Intelligence , ...
- 数值计算:粒子群优化算法(PSO)
PSO 最近需要用上一点最优化相关的理论,特地去查了些PSO算法相关资料,在此记录下学习笔记,附上程序代码.基础知识参考知乎大佬文章,写得很棒! 传送门 背景 起源:1995年,受到鸟群觅食行为的规律 ...
- ARIMA模型--粒子群优化算法(PSO)和遗传算法(GA)
ARIMA模型(完整的Word文件可以去我的博客里面下载) ARIMA模型(英语:AutoregressiveIntegratedMovingAverage model),差分整合移动平均自回归模型, ...
- 粒子群优化算法(PSO)之基于离散化的特征选择(FS)(二)
欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 作者:Geppetto 前面我们介绍了特征选择(Feature S ...
- 粒子群优化算法(PSO)之基于离散化的特征选择(FS)(一)
欢迎大家关注我们的网站和系列教程:http://www.tensorflownews.com/,学习更多的机器学习.深度学习的知识! 作者:Geppetto 在机器学习中,离散化(Discretiza ...
随机推荐
- 【Spring】22、Spring缓存注解@Cache使用
缓存注解有以下三个: @Cacheable @CacheEvict @CachePut @Cacheable(value=”accountCache”),这个注释的意思是,当调用这个 ...
- 【Spring】31、Spring的EL表达式
一.简介 Spring3中引入了Spring表达式语言—SpringEL,SpEL是一种强大,简洁的装配Bean的方式,他可以通过运行期间执行的表达式将值装配到我们的属性或构造函数当中,更可以调用JD ...
- 提高 JavaScript 开发效率的高级 VSCode 扩展!
原文:提高 JavaScript 开发效率的高级 VSCode 扩展! 作者:前端小智 Fundebug经授权转载,版权归原作者所有. Quokka.js Quokka.js 是一个用于 JavaSc ...
- js 简单日历
源地址:https://jingyan.baidu.com/article/546ae185fa4f721149f28cbf.htm 文件:index.htm <!DOCTYPE html> ...
- vim编辑器头部自动插入注释和shell的高亮显示
1.基本语法 语法高亮 :syntax on/off 显示行号 set number/nonumber 自动缩进 set autoindent set cindent 2.自动加入文件头 在etc/v ...
- Android 常用数据操作封装类案例
1.DbHelper类 继承自SQLiteOpenHelper类,实现对数据库的基本操作 package com.example.utils; import android.content.Conte ...
- CSS3使用transition属性实现过渡效果
transition属性目的是让css的一些属性(如background)的以平滑过渡的效果出现.它是一个合并属性,是由以下四个属性组合而成: transition-property:设置应用过渡的C ...
- js 实现 0-9 随机排序
function randomsort(a, b) {return Math.random()>0.5 ? -1 : 1;//用Math.random()函数生成0~1之间的随机数与0.5比较, ...
- mybatis 中 使用 allowMultiQueries=true
单条的数据进行修改或者插入的时候没问题,但是进行批量操作的时候就会出现错误,是因为没有开启支持批量操作的功能. mybatis支持批量操作 开启批量执行sql的开关,在拼装mysql链接的url时,为 ...
- Android图片采样缩放
为什么要对Android中的图片进行采样缩放呢? 是为了更加高效的加载Bitmap.假设通过imageView来显示图片,很多时候ImageView并没有图片的原始尺寸那么大,这时候把整张图片加载进来 ...