基于遗传算法和粒子群算法的潮流计算比较（Matlab代码实现）

%% 基于遗传算法和粒子群算法的潮流计算比较（Matlab代码实现）
clc;
clear;
close all;
%% 随机数种子
rng('default')
rng(1)
%%
addpath(genpath('matpower7.0'))
%%
data.mpc=case9;
data.numBranch=length(data.mpc.branch(:,1));
data.distance=xlsread('线型.xlsx',2);
data.Line=xlsread('线型.xlsx',1);
data.numLine=length(data.Line(:,1));
data.base=100;
data.lamdaLoss=25; %损耗成本系数
%% 算法参数设置
dim=data.numBranch;
%%
lb=zeros(1,dim);
ub=ones(1,dim);
fobj=@aimFcn_1;
option.lb=lb; %下限
option.ub=ub; %上限
option.dim=dim;%决策变量个数
if length(option.lb)==1 %判断是否成立，如果成立就往下进行
    option.lb=ones(1,option.dim)*option.lb; %统一长度，每个决策变量对应一个lb和ub
    option.ub=ones(1,option.dim)*option.ub; %统一长度，每个决策变量对应一个lb和ub
end
option.fobj=fobj;
option.showIter=0;
%% 算法参数设置
% 基本参数
option.numAgent=20;        %初始解个体数 越大越好
option.maxIteration=20;    %最大迭代次数 越大越好
option.popSize=option.numAgent;
option.lenTS=option.numAgent*5;  %禁忌长度
% 遗传算法
option.p1_GA=0.85;
option.p2_GA=0.1;
% 粒子群算法
option.w_pso=0.1;
option.c1_pso=1;
option.c2_pso=1;
str_legend=[{'GA'},{'PSO'}];
%% 初始化种群个体
x=ones(option.numAgent,option.dim);
y=ones(option.numAgent,1);
for i=1:option.numAgent
    x(i,:)=option.lb+rand(1,option.dim).*(option.ub-option.lb);
    [y(i),~,x(i,:)]=option.fobj(x(i,:),option,data);
end
% 使用算法求解
rng(1)
[bestY(1,:),bestX(1,:),recording(1)]=GA(x,y,option,data);
rng(1)
[bestY(2,:),bestX(2,:),recording(2)]=PSO(x,y,option,data);
%%
figure
hold on
for i=1:length(recording)
    plot((recording(i).bestFit),'LineWidth',2)
end
xlabel('迭代次数')
ylabel('适应度值')
legend(str_legend)
title('适应度函数曲线')
%% 输出结果
str='GA算法优化结果'
[~,result1]=option.fobj(bestX(1,:),option,data);
str='PSO算法优化结果'
[~,result2]=option.fobj(bestX(2,:),option,data);
str='随机方案'
[~,result5]=option.fobj(bestX(2,:)*0+1,option,data);