量子粒子群优化算法

简介:
#include <iostream>
#include <math.h>
#include <time.h>
using namespace std;

#define M 50  //群体数目50
#define N 4   //每个粒子的维数4
//测试类
class TestFunction
{
    public:
        double resen(double x1,double x2,double x3,double x4)
        {
            double s=0;
            s=100*(x2-x1*x1)*(x2-x1*x1)+(1-x1)*(1-x1)+s;
            s=100*(x3-x2*x2)*(x3-x2*x2)+(1-x2)*(1-x2)+s;
            s=100*(x4-x3*x3)*(x4-x3*x3)+(1-x3)*(1-x3)+s;
            return s;
        }
};

class CQPSO
{
    private:
        double delta;
        double (*w)[N];// = new double[50][4]; //总体粒子
        double *f;//=new double[M];//适应度值
        double *ff;//=new double[M];//相对f的比较值
        double (*p)[N];//=new double[M][N];
        double *g;//=new double[N];
        double *c;//=new double[N];
        TestFunction *tf;// = new TestFunction;
        double random()
        {
            double s;
            s=(abs(rand())%10000+10000)/10000.0-1.0;    
            return s;
        }
    public:
        CQPSO(double delta)
        {
            int i,j;
            this->delta=delta;
            w=new double[M][N];
            f=new double[M];
            ff=new double[M];
            p=new double[M][N];
            g=new double[N];
            c=new double[N];
            tf=new TestFunction;
            for(i=0;i<M;i++)
            {
                for(j=0;j<N;j++)
                {
                    w[i][j]=random();
                }
            }
            
        }

        void CQPSOmethod(int count)
        {
            int i,j;
            if(count==1)
            {
                for(i=0;i<M;i++)
                {
                    for(j=0;j<N;j++)
                    {
                        p[i][j]=w[i][j];
                    }
                    f[i]=tf->resen(w[i][0],w[i][1],w[i][2],w[i][3]);
                }
                cqpso_p(f);//得出全局最优
            }

            if(count>1)
            {
                cqpso_update( w );
                for(i=0;i<M;i++)
                {
                    ff[i]=tf->resen(w[i][0],w[i][1],w[i][2],w[i][3]);
                    if(ff[i]<f[i])
                    {    
                        f[i]=ff[i];
                        for(j=0;j<N;j++) p[i][j]=w[i][j];
                    }
                }
                cqpso_p(f);
            }
            cout<<(tf->resen(g[0],g[1],g[2],g[3]))<<endl;
        }



        void cqpso_p(double *f)//得到个体最优中最小值——全局最优
        {
            double temp=f[0];
            int i,j;
            for(i=1;i<M;i++)
            {
                if(f[i]<temp)
                {
                    temp=f[i];
                }
            }
            for(i=0;i<M;i++)
            {
                if(temp==f[i])
                {
                    for(j=0;j<N;j++)
                    {
                        g[j]=p[i][j];
                    }
                    break;
                }
            }
        }    
        void cqpso_c(double (*p)[N])
        {
            int i,j;
            for(i=0;i<N;i++)  c[i]=0;
            for(i=0;i<N;i++)
            {
                for(j=0;j<M;j++)
                {
                    c[i]=c[i]+p[j][i];
                }
            }
            for(i=0;i<N;i++) c[i]=c[i]/M;
        }

        void cqpso_update( double (*w)[N] )
        {
            int i,j;
            double *fai=new double[N];
            double (*u)[N]=new double[M][N];
            double (*pp)[N]=new double[M][N];
            for(i=0;i<N;i++)
            {
                fai[i]=random();
            }
            for(i=0;i<M;i++)
            {
                for(j=0;j<N;j++)
                    u[i][j]=random();
            }
            cqpso_c( p );
            for(i=0;i<M;i++)
            {
                for(j=0;j<N;j++)
                    pp[i][j]=fai[j]*p[i][j]+g[j]*(1-fai[j]);
            }
            for(i=0;i<M;i++)
            {
                for(j=0;j<N;j++)
                    w[i][j]=pp[i][j]+delta*(abs(c[j]-w[i][j]))*log(1/u[i][j]);
            }
        }
    
};

int main()
{
    int i;
    srand((unsigned)time(0)); 
    CQPSO *qo = new CQPSO(0.5);
    //qo->w=new double[M][N];
    for(i=1;i<100;i++)
    qo->CQPSOmethod(i);
}


原文发布时间为:2016-08-10
本文作者:孙俊
本文来源:博客园,如需转载请联系原作者。

目录
相关文章
|
4月前
|
机器学习/深度学习 算法 数据可视化
基于MVO多元宇宙优化的DBSCAN聚类算法matlab仿真
本程序基于MATLAB实现MVO优化的DBSCAN聚类算法,通过多元宇宙优化自动搜索最优参数Eps与MinPts,提升聚类精度。对比传统DBSCAN,MVO-DBSCAN有效克服参数依赖问题,适应复杂数据分布,增强鲁棒性,适用于非均匀密度数据集的高效聚类分析。
|
4月前
|
机器学习/深度学习 算法
采用蚁群算法对BP神经网络进行优化
使用蚁群算法来优化BP神经网络的权重和偏置,克服传统BP算法容易陷入局部极小值、收敛速度慢、对初始权重敏感等问题。
430 5
|
5月前
|
canal 算法 vr&ar
【图像处理】基于电磁学优化算法的多阈值分割算法研究(Matlab代码实现)
【图像处理】基于电磁学优化算法的多阈值分割算法研究(Matlab代码实现)
187 1
|
4月前
|
机器学习/深度学习 人工智能 算法
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
229 0
|
4月前
|
机器学习/深度学习 算法 物联网
基于遗传方法的动态多目标优化算法
基于遗传方法的动态多目标优化算法
|
5月前
|
机器学习/深度学习 存储 算法
【微电网调度】考虑需求响应的基于改进多目标灰狼算法的微电网优化调度研究(Matlab代码实现)
【微电网调度】考虑需求响应的基于改进多目标灰狼算法的微电网优化调度研究(Matlab代码实现)
239 0
|
4月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
462 0
|
4月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
313 2
|
5月前
|
传感器 机器学习/深度学习 编解码
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
MATLAB|主动噪声和振动控制算法——对较大的次级路径变化具有鲁棒性
295 3