粒子群優化算法PSO及matlab實現
算法學習自:MATLAB與機器學習教學視頻
1、粒子群優化算法概述
粒子群優化(PSO, particle swarm optimization)算法是計算智能領域,除了蟻群算法,魚群算法之外的一種群體智能的優化算法,該算法最早由Kennedy和Eberhart在1995年提出的,該算法源自對鳥類捕食問題的研究。
• PSO算法首先在可行解空間中初始化一群粒子,每個粒子都代表極值優化問題的一個潛在最優解,用位置、速度和適應度值三項指標表示該粒子特征。
• 粒子在解空間中運動,通過跟蹤個體極值Pbest和群體極值Gbest更新個體位置,個體極值Pbest是指個體所經歷位置中計 算得到的適應度值最優位置,群體極值Gbest是指種群中的所有粒子搜索到的適應度最優位置。
在每一次叠代過程中,粒子通過個體極值和群體極值更新自身的速度和位置,更新公式 如下:
2、粒子群優化算法與遺傳算法對比
• 相同點:
種群隨機初始化
適應度函數值與目標最優解之間的映射
• 不同點:
PSO算法沒有選擇、交叉、變異等操作算子
PSO有記憶的功能
信息共享機制不同,遺傳算法是互相共享信息,整個種群的移動是比較均勻地向最優區域移動,而在PSO中,只 有gBest或lBest給出信息給其他粒子,屬於單向的信息流動,整個搜索更新過程是跟隨當前最優解的過程
3、案例分析
①一元函數優化
在該例中,想要優化的一元函數為,當x範圍在[1,2],尋找它的極大值。
matlab代碼如下:
1 %% I. 清空環境 2 clc 3 clear all 4 5 %% II. 繪制目標函數曲線圖 6 x = 1:0.01:2; 7 y = sin(10*pi*x) ./ x; 8 figure 9 plot(x, y) 10 hold on 11 12 %% III. 參數初始化 13 c1 = 1.49445; 14 c2 = 1.49445;main.m15 16 maxgen = 50; % 進化次數 17 sizepop = 10; %種群規模 18 19 Vmax = 0.5; 20 Vmin = -0.5; 21 popmax = 2; 22 popmin = 1; 23 24 %% IV. 產生初始粒子和速度 25 for i = 1:sizepop 26 % 隨機產生一個種群 27 pop(i,:) = (rands(1) + 1) / 2 + 1; %初始種群 28 V(i,:) = 0.5 * rands(1); %初始化速度 29 % 計算適應度 30 fitness(i) = fun(pop(i,:)); 31 end 32 33 %% V. 個體極值和群體極值 34 [bestfitness, bestindex] = max(fitness); 35 zbest = pop(bestindex,:); %全局最佳 36 gbest = pop; %個體最佳 37 fitnessgbest = fitness; %個體最佳適應度值 38 fitnesszbest = bestfitness; %全局最佳適應度值 39 40 %% VI. 叠代尋優 41 for i = 1:maxgen 42 43 for j = 1:sizepop 44 % 速度更新 45 V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); 46 V(j,V(j,:)>Vmax) = Vmax; 47 V(j,V(j,:)<Vmin) = Vmin; 48 49 % 種群更新 50 pop(j,:) = pop(j,:) + V(j,:); 51 pop(j,pop(j,:)>popmax) = popmax; 52 pop(j,pop(j,:)<popmin) = popmin; 53 54 % 適應度值更新 55 fitness(j) = fun(pop(j,:)); 56 end 57 58 for j = 1:sizepop 59 % 個體最優更新 60 if fitness(j) > fitnessgbest(j) 61 gbest(j,:) = pop(j,:); 62 fitnessgbest(j) = fitness(j); 63 end 64 65 % 群體最優更新 66 if fitness(j) > fitnesszbest 67 zbest = pop(j,:); 68 fitnesszbest = fitness(j); 69 end 70 end 71 yy(i) = fitnesszbest; 72 end 73 74 %% VII. 輸出結果並繪圖 75 [fitnesszbest zbest]; 76 plot(zbest, fitnesszbest,‘r*‘) 77 78 figure 79 plot(yy) 80 title(‘最優個體適應度‘,‘fontsize‘,12); 81 xlabel(‘進化代數‘,‘fontsize‘,12);ylabel(‘適應度‘,‘fontsize‘,12);
1 function y = fun(x) 2 % 函數用於計算粒子適應度值 3 %x input 輸入粒子 4 %y output 粒子適應度值 5 y = sin(10 * pi * x) / x;fun.m
結果圖示:
2、二元函數優化
在該例中,想要優化的二元函數為,當x和y範圍都在[-5,5],尋找它的極大值。
matlab代碼如下:
1 function y = fun(x) 2 %函數用於計算粒子適應度值 3 %x input 輸入粒子 4 %y output 粒子適應度值 5 y = x(1).^2 + x(2).^2 - 10*cos(2*pi*x(1)) - 10*cos(2*pi*x(2)) + 20;fun.m
1 %% I. 清空環境 2 clc 3 clear 4 5 %% II. 繪制目標函數曲線 6 figure 7 [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); 8 z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20; 9 mesh(x,y,z) 10 hold on 11 12 %% III. 參數初始化 13 c1 = 1.49445; 14 c2 = 1.49445; 15 16 maxgen = 1000; % 進化次數 17 sizepop = 100; %種群規模 18 19 Vmax = 1; 20 Vmin = -1; 21 popmax = 5; 22 popmin = -5; 23 24 %% IV. 產生初始粒子和速度 25 for i = 1:sizepop 26 % 隨機產生一個種群 27 pop(i,:) = 5*rands(1,2); %初始種群 28 V(i,:) = rands(1,2); %初始化速度 29 % 計算適應度 30 fitness(i) = fun(pop(i,:)); %染色體的適應度 31 end 32 33 %% V. 個體極值和群體極值 34 [bestfitness bestindex] = max(fitness); 35 zbest = pop(bestindex,:); %全局最佳 36 gbest = pop; %個體最佳 37 fitnessgbest = fitness; %個體最佳適應度值 38 fitnesszbest = bestfitness; %全局最佳適應度值 39 40 %% VI. 叠代尋優 41 for i = 1:maxgen 42 43 for j = 1:sizepop 44 % 速度更新 45 V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:)); 46 V(j,find(V(j,:)>Vmax)) = Vmax; 47 V(j,find(V(j,:)<Vmin)) = Vmin; 48 49 % 種群更新 50 pop(j,:) = pop(j,:) + V(j,:); 51 pop(j,find(pop(j,:)>popmax)) = popmax; 52 pop(j,find(pop(j,:)<popmin)) = popmin; 53 54 % 適應度值更新 55 fitness(j) = fun(pop(j,:)); 56 end 57 58 for j = 1:sizepop 59 % 個體最優更新 60 if fitness(j) > fitnessgbest(j) 61 gbest(j,:) = pop(j,:); 62 fitnessgbest(j) = fitness(j); 63 end 64 65 % 群體最優更新 66 if fitness(j) > fitnesszbest 67 zbest = pop(j,:); 68 fitnesszbest = fitness(j); 69 end 70 end 71 yy(i) = fitnesszbest; 72 end 73 %% VII.輸出結果 74 [fitnesszbest, zbest] 75 plot3(zbest(1), zbest(2), fitnesszbest,‘bo‘,‘linewidth‘,1.5) 76 77 figure 78 plot(yy) 79 title(‘最優個體適應度‘,‘fontsize‘,12); 80 xlabel(‘進化代數‘,‘fontsize‘,12);ylabel(‘適應度‘,‘fontsize‘,12);main.m
結果圖示:
4、速度更新權重W的選擇
示例代碼如下:
1 ws = 0.9; 2 we = 0.4; 3 maxgen = 300; 4 hold on; 5 6 for k = 1:maxgen 7 w(k) = ws - (ws-we)*(k/maxgen); 8 end 9 plot(w,‘linewidth‘,1.5); 10 11 for k = 1:maxgen 12 w(k) = ws - (ws-we)*(k/maxgen)^2; 13 end 14 plot(w,‘r-.‘,‘linewidth‘,1.5); 15 16 for k = 1:maxgen 17 w(k) = ws - (ws-we)*(2*k/maxgen-(k/maxgen)^2); 18 end 19 plot(w,‘g:‘,‘linewidth‘,1.5); 20 21 for k = 1:maxgen 22 w(k) = we * (ws/we)^(1/(1+10*k/maxgen)); 23 end 24 plot(w,‘y--‘,‘linewidth‘,1.5); 25 26 legend(‘Rule-1‘,‘Rule-2‘,‘Rule-3‘,‘Rule-4‘) 27 xlabel(‘叠代次數‘) 28 ylabel(‘速度更新權重W‘)wchange.m
圖示:
粒子群優化算法PSO及matlab實現