m基于MSOPSO多策略粒子群算法的目标优化matlab仿真

简介: m基于MSOPSO多策略粒子群算法的目标优化matlab仿真

1.算法描述

    粒子群优化算法(particle swarm optimization,PSO)是一种源于对鸟群捕食行为的研究而发明的进化计算技术,最先由Eberhart 博士和Kennedy 博士提出,其主要想法是:将每个优化问题的解看作是搜索空间中的一个没有体积的粒子,在搜索空间中以一定的速度飞行,速度的大小与方向根据它本身和同伴的飞行经验来动态调整。

   粒子Xi 在第t 次进行迭代的速度与位置运算公式为:

1.png

   当进化过程中产生新个体X 时,同时对该个体的反向位置Xi 进行考察,综合比较产生一个更优的个体。这样,个体Xi与最优位置之间的距离就会缩小,从而提高算法的效率。

   在粒子群算法优化过程的初期,大数值的权重系数可以增强全局搜索能力;在优化过程的后期,小数值的迭代权重将有利于局部搜索;而常数权重无法调节这两方面的搜索能力,所以本文通过引入随时间变化的权重系数来平衡全局搜索和局部搜索能力。

  MSOPSO 算法流程图:

2.png

2.matlab算法仿真效果
matlab2022a仿真结果如下:

3.png
4.png
5.png

3.MATLAB核心程序

y_best    = zeros(1,Pop);
 
Smax      = 100;
S         = 0;
%粒子初始化
for i=1:Pop
    %N
    x1(1,i)         = rand(1)*(max1-min1)+min1;
    x_best1(1,i)    = rand(1)*(max1-min1)+min1;
    %I
    y1(1,i)         = rand(1)*(max2-min2)+min2;
    y_best1(1,i)    = rand(1)*(max2-min2)+min2;
 
    %反向学习初始化
    %N
    x_(1,i)        = (max1+min1)-x(1,i);
    x_best_(1,i)   = (max1+min1)-x_best(1,i);
    %I
    y_(1,i)        = (max2+min2)-y(1,i);
    y_best_(1,i)   = (max2+min2)-y_best(1,i);
    
    
    [BsJ1,x(1,i),y(1,i)] = func_fitness(x1(1,i),y1(1,i)); 
    [BsJ2,x(1,i),y(1,i)] = func_fitness(x_(1,i),y_(1,i));    
    
    if BsJ1 < BsJ2
        %N
        x(1,i)         = x1(1,i);
        x_best(1,i)    = x_best1(1,i);
        %I
        y(1,i)         = y1(1,i);
        y_best(1,i)    = y_best1(1,i);
        BsJi(i)        = BsJ1;
    else
        %N
        x(1,i)         = x_(1,i);
        x_best(1,i)    = x_best_(1,i);
        %I
        y(1,i)         = y_(1,i);
        y_best(1,i)    = y_best_(1,i);
        BsJi(i)        = BsJ2;
    end
 
    va(1,i)   =(vmax-vmin)*rand(1)+vmin;
    vb(1,i)   =(vmax-vmin)*rand(1)+vmin;
end
[minJi,index]= min(BsJi);
 
Tx_best    = 500;
Ty_best    = 500;
for t=1:tmax
    t
    time(t) = t;
    w       = wmax-t*(wmax-wmin)/tmax;
    c2      = c2max-t*(c2max-c2min)/tmax;
    for i=1:Pop
        if t > 1
            %N
            x(1,i)         = x_(1,i);
            x_best(1,i)    = x_best_(1,i);
            %I
            y(1,i)         = y_(1,i);
            y_best(1,i)    = y_best_(1,i);
        end
        %N
        %速度1设置
        va(1,i) = w*va(1,i) + c1*rand(1)*(x_best(1,i)-x(1,i)) + c2*rand(1)*(Tx_best-x(1,i));
        %更新
        x(1,i)  = x(1,i) + va(1,i);
        %变量1的限制
        if x(1,i) >= max1
           x(1,i) = max1;
        end
        if x(1,i) <= min1
           x(1,i) = min1;
        end                             
 
        %I
        %速度2设置
        vb(1,i) = w*vb(1,i) + c1*rand(1)*(y_best(1,i)-y(1,i)) + c2*rand(1)*(Ty_best-y(1,i));
        %更新
        y(1,i)  = y(1,i) + vb(1,i);
        %变量2的限制
        if y(1,i) >= max2
           y(1,i) = max2;
        end
        if y(1,i) <= min2
           y(1,i) = min2;
        end                           
 
        [BsJ,x(1,i),y(1,i)] = func_fitness(x(1,i),y(1,i));  
        
        if BsJ<BsJi(i)
           BsJi(i)        = BsJ;
           x_best(1,i)    = x(1,i);
           y_best(1,i)    = y(1,i);
        end
        if BsJi(i)<minJi
           minJi      = BsJi(i);
           Tx_best    = x(1,i);
           Ty_best    = y(1,i);
        end
        %反向
        %反向
        %反向学习
        %N
        x_(1,i)         = (max1+min1)-x(1,i);
        x_best_(1,i)    = (max1+min1)-x_best(1,i);
        %I
        y_(1,i)         = (max2+min2)-y(1,i);
        y_best_(1,i)    = (max2+min2)-y_best(1,i);
        
        %计算反向点和当前点的适应度
        [BsJa,xa(1,i),ya(1,i)] = func_fitness(x(1,i),y(1,i));
        [BsJb,xb(1,i),yb(1,i)] = func_fitness(x_(1,i),y_(1,i));
        
        %选择较优点
        if BsJa <= BsJb
            x(1,i)         = x(1,i);
            x_best(1,i)    = x_best(1,i);
            %I
            y(1,i)         = y(1,i);
            y_best(1,i)    = y_best(1,i);
        else
            x(1,i)         = x_(1,i);
            x_best(1,i)    = x_best_(1,i);
            %I
            y(1,i)         = y_(1,i);
            y_best(1,i)    = y_best_(1,i);
        end
        [BsJ,x(1,i),y(1,i)] = func_fitness(x(1,i),y(1,i));
 
        
        if BsJ<BsJi(i)
           BsJi(i)        = BsJ;
           x_best(1,i)    = x(1,i);
           y_best(1,i)    = y(1,i);
        end
        if BsJi(i)<minJi
           minJi      = BsJi(i);
           Tx_best    = x(1,i);
           Ty_best    = y(1,i);
        end 
    end
    %判断全局最优解是否有更新
    Jibest(t) = minJi;
    
    if t > 1
       if abs(Jibest(t) - Jibest(t-1)) < 0.0001%认为没有更新
          S = S + 1; 
          if S >= Smax%多开端策略,种群重新初始化,用于下一次迭代使用
             for i=1:Pop
                %N
                x(1,i)         = rand(1)*(max1-min1)+min1;
                x_best(1,i)    = rand(1)*(max1-min1)+min1;
                %I
                y(1,i)         = rand(1)*(max2-min2)+min2;
                y_best(1,i)    = rand(1)*(max2-min2)+min2;
 
                %反向学习初始化
                %N
                x_(1,i)        = (max1+min1)-x(1,i);
                x_best_(1,i)   = (max1+min1)-x_best(1,i);
                %I
                y_(1,i)        = (max2+min2)-y(1,i);
                y_best_(1,i)   = (max2+min2)-y_best(1,i);
             end
          S=0;   
          end
       end
    end
 
end
02_042m
相关文章
|
3天前
|
算法
基于大爆炸优化算法的PID控制器参数寻优matlab仿真
本研究基于大爆炸优化算法对PID控制器参数进行寻优,并通过Matlab仿真对比优化前后PID控制效果。使用MATLAB2022a实现核心程序,展示了算法迭代过程及最优PID参数的求解。大爆炸优化算法通过模拟宇宙大爆炸和大收缩过程,在搜索空间中迭代寻找全局最优解,特别适用于PID参数优化,提升控制系统性能。
|
3天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-GRU网络的数据分类识别算法matlab仿真
本项目展示了使用MATLAB2022a实现的贝叶斯优化、CNN和GRU算法优化效果。优化前后对比显著,完整代码附带中文注释及操作视频。贝叶斯优化适用于黑盒函数,CNN用于时间序列特征提取,GRU改进了RNN的长序列处理能力。
|
23天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
24天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
24天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
4月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
206 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
4月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
133 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
4月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
95 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
7月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)