2. 程式人生 > >粒子群演算法(5)-----標準粒子群演算法的實現

粒子群演算法(5)-----標準粒子群演算法的實現

阿新 • • 發佈：2019-01-04
function [Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)
%功能描述：一個迴圈n次的PSO演算法完整過程，返回這次執行的最小與最大的平均適應度,以及線上效能與離線效能
%[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope
,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)
%輸入引數：SwarmSize:種群大小的個數
%輸入引數：ParticleSize：一個粒子的維數
%輸入引數：ParticleScope:一個粒子在運算中各維的範圍；
%         ParticleScope格式:
%           3維粒子的ParticleScope格式:
%                                   [x1Min,x1Max
%                                    x2Min,x2Max
%                                    x3Min
,x3Max]
%
%輸入引數:InitFunc:初始化粒子群函式
%輸入引數:StepFindFunc:單步更新速度，位置函式
%輸入引數：AdaptFunc：適應度函式
%輸入引數：IsStep：是否每次迭代暫停；IsStep＝0，不暫停，否則暫停。預設不暫停
%輸入引數：IsDraw：是否圖形化迭代過程；IsDraw＝0，不圖形化迭代過程，否則，圖形化表示。預設不圖形化表示
%輸入引數：LoopCount：迭代的次數；預設迭代100次
%輸入引數：IsPlot：控制是否繪製線上效能與離線效能的圖形表示；IsPlot=0,不顯示；
%                 IsPlot=1；顯示圖形結果。預設IsPlot=
1
%
%返回值：Result為經過迭代後得到的最優解
%返回值：OnLine為線上效能的資料
%返回值：OffLine為離線效能的資料
%返回值：MinMaxMeanAdapt為本次完整迭代得到的最小與最大的平均適應度
%
%用法[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot);
%
%異常：首先保證該檔案在Matlab的搜尋路徑中，然後檢視相關的提示資訊。
%
%編制人：XXX
%編制時間：2007.3.26
%參考文獻：XXXXX%

%修改記錄：
%新增MinMaxMeanAdapt，以得到效能評估資料
%修改人：XXX
%修改時間：2007.3.27
%參考文獻：XXX.

%容錯控制
if nargin<4
    error('輸入的引數個數錯誤。')end

[row,colum]=size(ParticleSize);if row>1|colum>1
    error('輸入的粒子的維數錯誤，是一個1行1列的資料。');end
[row,colum]=size(ParticleScope);if row~=ParticleSize|colum~=2
    error('輸入的粒子的維數範圍錯誤。');end

%設定預設值
if nargin<7
    IsPlot=1;
    LoopCount=100;
    IsStep=0;
    IsDraw=0;endif nargin<8
    IsPlot=1;
    IsDraw=0;
    LoopCount=100;endif nargin<9
    LoopCount=100;
    IsPlot=1;endif nargin<10
    IsPlot=1;end

%控制是否顯示2維以下粒子維數的尋找最優的過程
if IsDraw~=0
    DrawObjGraphic(ParticleSize,ParticleScope,AdaptFunc);end

%初始化種群       
[ParSwarm,OptSwarm]=InitFunc(SwarmSize,ParticleSize,ParticleScope,AdaptFunc)

%在測試函式圖形上繪製初始化群的位置
if IsDraw~=0if1==ParticleSize
    for ParSwarmRow=1:SwarmSize
        plot([ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,1)],[ParSwarm(ParSwarmRow,3),0],'r*-','markersize',8);
        text(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,3),num2str(ParSwarmRow));endendif2==ParticleSize
        for ParSwarmRow=1:SwarmSize
            stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);endendend
    
%暫停讓抓圖
if IsStep~=0
    disp('開始迭代，按任意鍵：')pauseend

%開始更新演算法的呼叫
for k=1:LoopCount
    %顯示迭代的次數：
    disp('----------------------------------------------------------')
    TempStr=sprintf('第 %g 此迭代',k);
    disp(TempStr);
    disp('----------------------------------------------------------')
    
    %呼叫一步迭代的演算法
    [ParSwarm,OptSwarm]=StepFindFunc(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,0.95,0.4,LoopCount,k)
    
    %在目標函式的圖形上繪製2維以下的粒子的新位置
    if IsDraw~=0if1==ParticleSize
            for ParSwarmRow=1:SwarmSize
                plot([ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,1)],[ParSwarm(ParSwarmRow,3),0],'r*-','markersize',8);
                text(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,3),num2str(ParSwarmRow));endendif2==ParticleSize
            for ParSwarmRow=1:SwarmSize
                stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);endendend
    
    XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
    YResult=AdaptFunc(XResult);if IsStep~=0
        XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
        YResult=AdaptFunc(XResult);    
        str=sprintf('%g步迭代的最優目標函式值%g',k,YResult);
        disp(str);
        disp('下次迭代，按任意鍵繼續');pauseend
    
    %記錄每一步的平均適應度
    MeanAdapt(1,k)=mean(ParSwarm(:,2*ParticleSize+1));end
%for迴圈結束標誌

%記錄最小與最大的平均適應度
MinMaxMeanAdapt=[min(MeanAdapt),max(MeanAdapt)];
%計算離線與線上效能
for k=1:LoopCount
    OnLine(1,k)=sum(MeanAdapt(1,1:k))/k;
    OffLine(1,k)=max(MeanAdapt(1,1:k));endfor k=1:LoopCount
    OffLine(1,k)=sum(OffLine(1,1:k))/k;end

%繪製離線效能與線上效能曲線
if1==IsPlot
    figure
    hold on
    title('離線效能曲線圖')
    xlabel('迭代次數');
    ylabel('離線效能');
    grid on
    plot(OffLine);

    figure
    hold on
    title('線上效能曲線圖')
    xlabel('迭代次數');
    ylabel('線上效能');
    grid on
    plot(OnLine);end

%記錄本次迭代得到的最優結果
XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
YResult=AdaptFunc(XResult);
Result=[XResult,YResult];

相關推薦

粒子群演算法(5)-----標準粒子群演算法的實現

function [Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,Is

排序演算法5——圖解堆排序及其實現

排序演算法1——圖解氣泡排序及其實現（三種方法，基於模板及函式指標） 排序演算法2——圖解簡單選擇排序及其實現 排序演算法3——圖解直接插入排序以及折半（二分）插入排序及其實現 排序演算法4——圖解希爾排序及其實現 排序演算法5——圖解堆排序及其實現 排序演算法6——圖解歸併排序及其遞迴與非

標準粒子群演算法（PSO）matlab實現

標準PSO演算法的核心公式如下： 其中，w,c1,c2是預置好的： w稱為慣性權重，大小一般在[0.5,1.5]。 c1,c2稱為學習因子，一般取值[1,4]，通常設定的c1=c2，但是c1與c2不必完全相同。 此實驗是在二維空間尋找最小值，設定多峰函式： z = x^2 + y-7c

標準粒子群演算法（PSO）

2.1 粒子群演算法思想的起源       粒子群優化(Particle Swarm Optimization, PSO)演算法是Kennedy和Eberhart受人工生命研究結果的啟發、通過模擬鳥群覓食過程中的遷徙和群聚行為而提出的一種基於群體智慧的全域性隨機搜尋演算法，自然界中各種生物體均具有一定的

【尋優演算法】量子粒子群演算法（QPSO） 引數尋優的python實現

【尋優演算法】量子粒子群演算法（QPSO） 引數尋優的python實現 一、粒子群演算法的缺點 二、量子粒子群演算法 三、QPSO演算法的python實現 參考資料 一、粒子群演算法的缺點 本人之前的博文（參考資料【1】）已經詳細

matlab學習筆記（1）——粒子群優化演算法（PSO）的程式實現

     本文內容參考matlab R2016a完全自學一本通。     粒子群優化演算法（PSO）屬於進化演算法的一種，它從隨機解出發，通過迭代找到最優解。該演算法通過適應度來評價解的品質，並通過追隨當前搜尋到的最優值來尋找全域性最優。     假設在一個D維的目標搜尋空間

遺傳演算法　差分進化演算法　粒子群優化演算法區別

一　遺傳演算法 遺傳演算法(GA)作為一種經典的進化演算法，自 Holland提出之後在國際上已經形成了一個比較活躍的研究領域. 人們對 GA 進行了大量的研究，提出了各種改進演算法用於提高演算法的收斂速度和精確性. 遺傳演算法採用選擇，交叉，變異操作，在問題空間搜尋最優解.

標準粒子群優化(Particle Swarm Optimization, PSO)算法

span color swa pan 先來 war fill 度量 pso 先來嘮嘮什麽是最優化問題，就是在滿足一定的約束條件下，找到一組合適參數，使得系統的某些性能指標（最優性度量）達到最值。叠代提供了一種求解最優化問題的基本思路： \[\left\{ \

粒子群優化算法PSO及matlab實現

參數 min 功能 結果 ide 過程 mil .html none 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

西瓜書 課後習題5.5 標準bp演算法，累計bp演算法

import numpy as np def dataSet(): ''' 西瓜3.0資料集離散化 ''' X = np.mat('2,3,3,2,1,2,3,3,3,2,1,1,2,1,3,1,2;\ 1,1,1,1,1,2,2,2,2,

基本粒子群優化演算法（PSO）的matlab實現

粒子群優化演算法是一種模擬鳥群社會行為的群體搜素演算法。它分為全域性最佳粒子優化和區域性最佳粒子優化，對於全域性最佳PSO，或者叫做gbest PSO，每個粒子的鄰域都是整個群，其演算法虛擬碼如下： 建立並初始化一個n維的粒子群 repeat for 每個粒子i=

Elasticsearch 5.3 集群搭建

elkes-node1cluster.name: es-clusternode.name: es-node1network.host: 10.10.45.200http.port: 8201transport.host: 10.10.45.200transport.tcp.port: 8301bootstra

13.5.SolrCloud集群使用手冊之數據導入

delete text -- bin 數據導入 charset strong cloud clean 轉載請出自出處:http://www.cnblogs.com/hd3013779515/ 1.使用curl命令方式 SolrCloud時會根據路由規則路由到各個shard。

5 秒創建 k8s 集群 - 每天5分鐘玩轉 Docker 容器技術（115）

rmi 叠代 asi nta -s -o 影響力 safe creating 據說 Google 的數據中心裏運行著超過 20 億個容器，而且 Google 十年前就開始使用容器技術。最初，Google 開發了一個叫 Borg 的系統（現在命令為 Omega）來調度如此龐大

MySQL InnoDB Cluser | Mysql 5.7 集群

status mysql5.7 slave tid use ida required pro ffline 目前 本集群 應用在自己的 django demo 環境上，暫時穩定運行。 歡迎加群 620176501 討

用 Heapster 監控集群 - 每天5分鐘玩轉 Docker 容器技術（176）

Kubernetes Docker 容器 教程 Heapster 是 Kubernetes 原生的集群監控方案。Heapster 以 Pod 的形式運行，它會自動發現集群節點、從節點上的 Kubelet 獲取監控數據。Kubelet 則是從節點上的 cAdvisor 收集數據。Heapster

高可用OpenStack（Queen版）集群-5.Glance集群

dir username body title memcache AI stat chown _for 參考文檔： Install-guide：https://docs.openstack.org/install-guide/ OpenStack High Availab

使用PIL和幾種分類演算法對標準數字圖片進行識別

詳細程式碼見GitHub: https://github.com/nickliqian/simple_number_recognition simple_number_recognition 使用PIL和幾種分類演算法對標準數字圖片進行識別。 背景 在採集某

DQN從入門到放棄5 深度解讀DQN演算法

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！        

AES標準及Rijndael演算法解析

轉載自：https://blog.dynox.cn/?p=1562 AES簡介 AES, Advanced Encryption Standard，其實是一套標準：FIPS 197，而我們所說的AES演算法其實是Rijndael演算法。 NIST (National INstitute