第10章 经典智能算法——10.1 粒子群算法的MATLAB实现(1)

简介: 第10章 经典智能算法——10.1 粒子群算法的MATLAB实现(1)

第10章  经典智能算法


知识要点


人工智能学科诞生于20世纪50年代中期,当时由于计算机的产生与发展,人们开始了真正意义上的人工智能的研究,其在自动推理、认知建模、机器学习、神经元网络、自然语言处理、专家系统、智能机器人等方面的理论和应用上都取得了成果。

本章主要介绍粒子群算法、遗传算法、蚁群算法3种经典智能算法及其MATLAB实现方法。


学习要求


280c3f7f195a0c6e8c99d57ec86d6ddd_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg


10.1  粒子群算法的MATLAB实现(1)


粒子群算法(Particle Swarm OptimizationPSO)属于进化算法的一种,和模拟退火算法相似,它也是从随机解出发,通过迭代寻找最优解。它也是通过适应度来评价解的品质,但它比遗传算法规则更为简单,没有遗传算法的交叉Crossover)和变异Mutation)操作,它通过追随当前搜索到的最优值来寻找全局最优。


10.1.1  基本原理


PSO可以用于解决优化问题。在PSO中,每个优化问题的潜在解都是搜索空间中的一只鸟,称为粒子。所有的粒子都有一个由被优化的函数决定的适值(Fitness Value),每个粒子还有一个速度决定它们飞行的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

粒子位置的更新方式如图10-1所示。

61951b2c9c44234bacaad1407cc463cf_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

10-1  粒子位置的更新方式


其中,x表示粒子起始位置,v表示粒子飞行的速度,p表示搜索到的粒子的最优位置。

PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个极值来更新自己:一个是粒子本身所找到的最优解,这个解称为个体极值;另一个极值是整个种群目前找到的最优解,这个极值是全局极值。

另外,也可以不用整个种群而只用其中一部分作为粒子的邻居,那么在所有邻居中的极值就是局部极值。

假设在一个D维的目标搜索空间中,有N个粒子组成一个群落,其中第i个粒子表示为一个D维的向量

bed780fd46d3eb6e037b4877d461db97_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

i个粒子的飞行速度也是一个D维的向量,记为

20edf03130c1bcddab0ce6e4d644cb6f_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

i个粒子迄今为止搜索到的最优位置称为个体极值,记为

bcadecceefc1f608add7ce29685d73fb_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

整个粒子群迄今为止搜索到的最优位置为全局极值,记为

483fb556c3ecdbb871e3ffd8cc9577fa_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

在找到这两个最优值时,粒子根据如下公式来更新自己的速度和位置:

88bf78590ba79cdf6843d879f301571d_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

其中,c1c2为学习因子,也称加速常数(Acceleration Constant);r1r2[0,1]范围内的均匀随机数。


8cc35171309b88504ef413fee07cb4c1_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg右边由三部分组成:

第一部分为惯性Inertia)或动量Momentum)部分,反映了粒子的运动习惯(Habit,代表粒子有维持自己先前速度的趋势。

第二部分为认知Cognition)部分,反映了粒子对自身历史经验的记忆或回忆,代表粒子有向自身历史最佳位置逼近的趋势。

第三部分为社会Social)部分,反映了粒子间协同合作与知识共享的群体历史经验,代表粒子有向群体或邻域历史最佳位置逼近的趋势。


由于粒子群算法具有高效的搜索能力,因此有利于得到多目标意义下的最优解;通过代表整个解集种群,按并行方式同时搜索多个非劣解,即搜索到多个Pareto最优解。

同时,粒子群算法的通用性比较好,适合处理多种类型的目标函数和约束,并且容易与传统的优化方法结合,从而改进自身的局限性,更高效地解决问题。因此,将粒子群算法应用于解决多目标优化问题上具有很大的优势。



10.1.2  程序设计


基本粒子群算法的流程图如图10-2所示。其具体过程如下:


9da2aa0351580ab063057c2a53c4d5c3_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

10-2  基本粒子群算法流程图

初始化粒子群,包括群体规模N、每个粒子的位置xi和速度vi

计算每个粒子的适应度值Fit[i]

对每个粒子,用它的适应度值Fit[i]和个体极值pbest(i)比较,如果Fit[i] > pbest(i),则用Fit[i]替换pbest(i)

对每个粒子,用它的适应度值Fit[i]和个体极值gbest(i)比较,如果Fit[i] > pbest(i),则用Fit[i]替换gbest(i)

更新粒子的速度vi和位置xi

如果满足结束条件(误差足够好或达到最大循环次数)则退出,否则返回


MATLAB中编程实现的基本粒子群算法基本函数为PSO,其调用格式如下:

[xm, fv] = PSO(fitness, N, c1, c2, w, M, D)

其中,fitness为待优化的目标函数,也称适应度函数。N是粒子数目,c1是学习因子1c2是学习因子2w是惯性权重,M是最大迭代次数,D是自变量的个数,xm是目标函数取最小值时的自变量,fv是目标函数的最小值。

使用MATLAB实现基本粒子群算法代码如下:

function [xm, fv] = PSO(fitness, N, c1, c2, w, M, D)
%%%%% 给定初始化条件 %%%%%%
% c1学习因子1
% c2学习因子2
% w惯性权重
% M最大迭代次数
% D搜索空间维数
% N初始化群体个数数目
%%%%%% 初始化种群的个体(可以在这里限定位置和速度的范围) %%%%%%
format long;
for i = 1 : N
    for j = 1 : D
        x(i, j) = randn;        % 随机初始化位置
        v(i, j) = randn;        % 随机初始化速度
    end
end
%%%%%% 先计算各个粒子的适应度,并初始化Pi和Pg %%%%%%
for i = 1 : N
    p(i) = fitness(x(i, :));
    y(i, :) = x(i, :);
end
pg = x(N, :);       %Pg为全局最优
for i = 1 : (N - 1)
    if fitness(x(i, :)) < fitness(pg)
        pg = x(i, :);
    end
end
%%%%%% 进入主要循环,按照公式依次迭代,直到满足精度要求 %%%%%%
for t = 1 : M
    for i = 1 : N       % 更新速度、位移
        v(i, :) = w * v(i, :) + c1 * rand * (y(i, :) - x(i, :)) + c2 * rand * (pg - x(i, :));
        x(i, :) = x(i, :) + v(i, :);
        if fitness(x(i, :)) < p(i)
            p(i) = fitness(x(i, :));
            y(i, :) = x(i, :);
        end
        if p(i) < fitness(pg)
            pg = y(i, :);
        end
    end
    Pbest(t) = fitness(pg);
end
%%%%%% 最终给出计算结果 %%%%%%
disp('*************************************************')
disp('目标函数取最小值时的自变量:')
xm = pg'
disp('目标函数的最小值为:')
fv = fitness(pg)
disp('*************************************************')


将上面的函数保存到MATLAB可搜索路径中,即可调用该函数。再定义不同的目标函数fitness和其他输入量,就可以用粒子群算法求解不同问题。

粒子群算法使用的函数有很多个,下面介绍两个常用的适应度函数。


1Griewank函数


Griewank函数的MATLAB代码如下:

function y = Griewank(x)        % Griewank函数
% 输入x,给定相应的y值,在x = (0, 0, ……, 0)处有全局极小点0
[row, col] = size(x);
if row > 1
    error('输入的参数错误');
end
y1 = 1 / 4000 * sum(x .^ 2);
y2 = 1;
for h = 1 : col
    y2 = y2 * cos(x(h) / sqrt(h));
end
y = y1 - y2 + 1;
y = - y;

绘制以上函数图像的MATLAB代码如下:

function DrawGriewank()     % 绘制Griewank函数图像
x = [-8 : 0.1 : 8];
y = x;
[X, Y] = meshgrid(x, y);
[row, col] = size(X);
for l = 1 : col
    for h = l : row
        z(h, l) = Griewank([X(h, l), Y(h, l)]);
    end
end
surf(X, Y, z);
shading interp

将以上代码保存为DrawGriewank.m文件,并运行上述代码,得到Griewank函数图像,如图10-3所示。

84516ffd73afc8fc1a277ed3867e9607_640_wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1.png

10-3  Griewank函数图像


2Rastrigin函数


Rastrigin函数的MATLAB代码如下:

function y = Rastrigin(x)       % Rastrigin函数
% 输入x,给定相应的y值,在x = (0, 0, ……, 0)处有全局极小点0
[row, col] = size(x);
if row > 1
    error('输入的参数错误');
end
y = sum(x .^ 2 - 10 * cos(2 * pi * x) + 10);
y = - y;

绘制以上函数图像的MATLAB代码如下:

function DrawRastrigin()
x = [-4 : 0.05 : 4];
y = x;
[X, Y] = meshgrid(x, y);
[row, col] = size(X);
for l = 1 : col
    for h = 1 : row
        z(h, l) = Rastrigin([X(h, l), Y(h, l)]);
    end
end
surf(X, Y, z);
shading interp

将以上代码保存为DrawRastrigin.m文件,并运行上述代码,得到Rastrigin函数图像,如图10-4所示。

221903f3839eb75be2a24bcd2ad8a6bc_640_wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1.png

10-4  Rastrigin函数图像


10-1:利用上文介绍的基本粒子群算法求解下列函数的最小值。

7e38ba72169328077e45f591d4fd7f9e_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

利用基本粒子群算法求解最小值,首先需要确认不同迭代步数对结果的影响。设定题中函数的最小点均为0,粒子群规模为50,惯性权重为0.5,学习因子c11.5,学习因子c22.5,迭代步数分别取100100010000

MATLAB中建立目标函数代码,并保存为fitness.m文件:

function F = fitness(x)
F = 0;
for i = 1 : 30
    F = F + x(i)^2 + x(i) - 6
end

MATLAB命令行窗口中依次输入:

x = zeros(1, 30);
[xm1, fv1] = PSO(@fitness, 50, 1.5, 2.5, 0.5, 100, 30);
[xm2, fv2] = PSO(@fitness, 50, 1.5, 2.5, 0.5, 1000, 30);
[xm3, fv3] = PSO(@fitness, 50, 1.5, 2.5, 0.5, 10000, 30);

运行以上代码,比较目标函数取最小值时的自变量,如表10-1所示。

10-1  比较不同迭代步数下的目标函数值和最小值

5605ee9dd760ebfb9689fd4fdac40d29_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

从表10-1中可以看出,迭代步数不一定与获得解的精度成正比,即迭代步数越大,获得解的精度不一定越高。这是因为粒子群算法是一种随机算法,同样的参数也会算出不同的结果。

在上述参数的基础上,保持惯性权重为0.5、学习因子c11.5、学习因子c22.5、迭代步数为100不变,粒子群规模分别取10100500,运行以下MATLAB代码:

x = zeros(1, 30);
[xm1, fv1] = PSO(@fitness, 10, 1.5, 2.5, 0.5, 100, 30);
[xm2, fv2] = PSO(@fitness, 100, 1.5, 2.5, 0.5, 100, 30);
[xm3, fv3] = PSO(@fitness, 500, 1.5, 2.5, 0.5, 100, 30);

比较目标函数取最小值时的自变量,如表10-2所示。

10-2  比较不同粒子群规模下的目标函数值和最小值

fdafb1c00d70466a0cee9dd1b73d6b0d_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

从表10-2中可以看出,粒子群规模越大,获得解的精度不一定越高。

综合以上不同迭代步数和不同粒子群规模运算得到的结果可知,在粒子群算法中,要想获得精度高的解,关键是各个参数之间的匹配。


相关文章
|
5天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
2天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
6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。
|
18天前
|
算法 数据安全/隐私保护 索引
OFDM系统PAPR算法的MATLAB仿真,对比SLM,PTS以及CAF,对比不同傅里叶变换长度
本项目展示了在MATLAB 2022a环境下,通过选择映射(SLM)与相位截断星座图(PTS)技术有效降低OFDM系统中PAPR的算法实现。包括无水印的算法运行效果预览、核心程序及详尽的中文注释,附带操作步骤视频,适合研究与教学使用。
|
26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。
|
27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天前
|
算法 决策智能
基于遗传优化算法的TSP问题求解matlab仿真
本项目使用遗传算法解决旅行商问题(TSP),目标是在四个城市间找到最短路径。算法通过编码、选择、交叉、变异等步骤,在MATLAB2022A上实现路径优化,最终输出最优路径及距离。
|
2月前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
27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。
|
28天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。