第10章 经典智能算法——10.1 粒子群算法的MATLAB实现(2)

简介: 第10章 经典智能算法——10.1 粒子群算法的MATLAB实现(2)

10.1  粒子群算法的MATLAB实现(2)


10.1.3  经典应用


粒子群算法经常与其他算法混合使用。混合策略就是将其他进化算法、传统优化算法或其他技术应用到PSO中,用于提高粒子多样性、增强粒子的全局探索能力,或者提高局部开发能力、增强收敛速度与精度。

常用的粒子群混合方法基于免疫的粒子群算法。该算法是在免疫算法的基础上采用粒子群优化对抗体群体进行更新,可以解决免疫算法收敛速度慢的缺点。


基于免疫的混合粒子群算法步骤如下所示。

确定学习因子c1c2、粒子(抗体)群体个数M

logistic回归分析映射产生M个粒子(抗体)xi及其速度vi,其中i=1,…,N,最后形成初始粒子(抗体)群体P0

产生免疫记忆粒子(抗体):计算当前粒子(抗体)群体P中粒子(抗体)的适应度值并判断算法是否满足结束条件,如果满足则结束并输出结果,否则继续运行。

更新局部和全局最优解,并根据下面的公式更新粒子位置和速度。

72c0eb059b496899ade802388b14ee6d_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

logistic映射产生N个新的粒子(抗体)。

基于浓度的粒子(抗体)选择:用群体中相似抗体百分比计算产生N + M个新粒子(抗体)的概率,依照概率大小选择N个粒子(抗体)形成粒子(抗体)群体P。然后转入第步。

算法流程图如图10-5所示。

9e890486d170a63bfa67d84a0a1c9500_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg

10-5  免疫粒子群算法流程图


将实现自适应权重的优化函数命名为PSO_immu.m,在MATLAB中编写实现以上步骤的代码:

function [x, y, Result] = PSO_immu(func, N, c1, c2, w, MaxDT, D, eps, DS, replaceP, minD, Psum)
format long;
%%%%%% 给定初始化条件 %%%%%%
% c1 = 2;                     % 学习因子1
% c2 = 2;                     % 学习因子2
% w = 0.8;                    % 惯性权重
% MaxDT = 100;                % 最大迭代次数
% D = 2;                      % 搜索空间维数(未知数个数)
% N = 100;                    % 初始化群体个体数目
% eps = 10^(-10);             % 设置精度(在已知最小值时用)
% DS = 8;                     % 每隔DS次循环就检查最优个体是否变优
% replaceP = 0. 5;            % 粒子的概率大于replaceP将被免疫替换
% minD = 1e-10;               % 粒子间的最小距离
% Psum = 0;                   % 个体最佳的和
range = 100;
count = 0;
%%%%%% 初始化种群的个体 %%%%%%
for i = 1 : N
    for j = 1 : D
        x(i,j) = -range + 2 * range  * rand;    %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) = feval(func,x(i, : ));
    y(i, :) = x(i, :);
end
pg = x(1, :);       % Pg为全局最优
for i = 2 : N
    if feval(func, x(i, :)) < feval(func, pg)
        pg = x(i, :);
    end
end
%%%%%% 主循环,按照公式依次迭代,直到满足精度要求 %%%%%%
for t = 1 : MaxDT
    for i = 1 : N
        v(i, :) = w * v(i, :) + c1 * rand * (y(i, :) - x(i, :) ) + c2 * rand * (pg - x (i, :));
        x(i, :) = x(i, :) + v(i, :);
        if feval(func,x(i, :)) < p(i)
            p(i) = feval(func, x(i, :));
            y(i, :) = x(i, :);
        end
        if p(i) < feval(func, pg)
            pg = y(i, :);
            subplot(1, 2, 1);
            bar(pg, 0.25);
            axis( [0 3 -40 40]);
            title ( [ 'Iteration', num2str(t)]); pause(0.1);
            subplot(1, 2, 2);
            plot(pg(1, 1), pg(1, 2), 'rs', 'MarkerFacecolor', 'r', 'Markersize', 8)
            hold on;
            plot(x(:, 1),x(:, 2), 'k.');
            set(gca, 'Color', 'g')
            hold off;
            grid on;
            axis([-100 100 -100 100]);
            title(['Global Min = ' , num2str(p(i))]);
            xlabel(['Min_x= ', num2str(pg(1, 1)), 'Min_y= ', num2str(pg(1, 2))]);
        end
    end
    Pbest(t) = feval(func, pg);
%         if Foxhole(pg,D)<eps          % 如果结果满足精度要求则跳出循环
%             break;
%         end
%%%%%% 开始进行免疫 %%%%%%
    if t > DS
        if (mod(t, DS) == 0) && ((Pbest(t - DS + 1) - Pbest(t)) < 1e-020)
            % 如果连续DS代数,群体中的最优没有明显变优,则进行免疫
            % 在函数测试的过程中发现,经过一定代数的更新,个体最优不完全相等,但变化极小
            for i = 1 : N       % 先计算出个体最优的和
                Psum = Psum + p(i);
            end
            for i = 1 : N       % 免疫程序
                for j = 1 : N   % 计算每个个体与个体i的距离
                    distance(j) = abs(p(j)-p(i));
                end
                num = 0;
                for j = 1 : N   % 计算与第i个个体距离小于minD的个数
                    if distance(j) < minD
                        num = num + 1;
                    end
                end
                PF(i) = p(N - i + 1) / Psum;    % 计算适应度概率
                PD(i) = num / N;        % 计算个体浓度
                a=rand;         % 随机生成计算替换概率的因子
                PR(i) = a * PF(i) + (1 - a) * PD(i);    % 计算替换概率
            end
            for i = 1 : N
                if PR(i) > replaceP
                    x(i, :) = -range + 2 * range * rand(1, D);
                    count=count+1;
                end
            end
        end
    end
end
%%%%%% 最后给出计算结果 %%%%%%
x = pg(1, 1);
y = pg(1, 2);
Result = feval(func, pg);
%%%%%% 算法结束 %%%%%%
function probabolity(N, i)
PF = p(N - i) / Psum;   % 适应度概率
disp(PF);
for jj = 1 : N
    distance(jj) = abs(P(jj)-P(i));
end
num = 0;
for ii = 1 : N
    if distance(ii) < minD
        num = num + 1;
    end
end
PD = num/N;         % 个体浓度
PR = a * PF + (1 - a) * PD;     % 替换概率


10-2:使用基于模拟退火的混合粒子群算法,求解函数f8aef8cceb618c761ea744771c09a3d8_640_wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1.jpg的最小值。其中-10 xi10,粒子数为50,学习因子均为2,退火常数取0.6,迭代步数为1000


首先建立目标函数代码:

function y = immuFunc(x)
    y = (cos(x(1)^2 + x(2)^2) - 1)/((1 + (x(1)^2 - x(2)^2))^2) + 0.5;
end


MATLAB命令行窗口中输入代码:

[xm, fv] = PSO_immu(@immuFunc, 50, 2, 2, 0.8, 100, 5, 0.0000001, 10, 0.6, 0.0000000000000000001, 0)

运行结果如下:

xm =
  -0.735230545314342
fv =
   1.241562924919382

得到目标函数取最小值时的自变量xm变化图,如图10-6所示。

5a20c53a344e65da2adff6ac8898350b_640_wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1.png

10-6  目标函数取最小值时的自变量xm变化图


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。