粒子群算法的matlab实现(二)
来源:互联网 发布:linux网络配置 编辑:程序博客网 时间:2024/05/22 00:08
上一次的博客中我将粒子群的搜索过程可视化了,并将其转存为了gif格式文件,这个过程我先在这里给大家讲一下:
1.首先pause(),是在每次绘图之后暂停一段时间,单位是秒,再进行下一次绘图;
2.而当要转存为gif文件时,这其实就是一种无声的视频文件,因此我们需要每一帧的图像,可以用pause,但是用drawnow更好,它的原理是保持当前窗口不变,继续下一次绘图。
因此将转存为gif的步骤加入到之前的代码中就是:
clc;clear;close all;%% 初始化种群f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式N = 50; % 初始种群个数d = 1; % 空间维数ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制vlimit = [-1, 1]; % 设置速度限制w = 0.8; % 惯性权重c1 = 0.5; % 自我学习因子c2 = 0.5; % 群体学习因子 for i = 1:d x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置endv = rand(N, d); % 初始种群的速度xm = x; % 每个个体的历史最佳位置ym = zeros(1, d); % 种群的历史最佳位置fxm = zeros(N, 1); % 每个个体的历史最佳适应度fym = -inf; % 种群历史最佳适应度%% 群体更新iter = 1;record = zeros(ger, 1); % 记录器while iter <= ger fx = f(x) ; % 个体当前适应度 for i = 1:N if fxm(i) < fx(i) fxm(i) = fx(i); % 更新个体历史最佳适应度 xm(i,:) = x(i,:); % 更新个体历史最佳位置 end endif fym < max(fxm) [fym, nmax] = max(fxm); % 更新群体历史最佳适应度 ym = xm(nmax, :); % 更新群体历史最佳位置 end v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新 % 边界速度处理 v(v > vlimit(2)) = vlimit(2); v(v < vlimit(1)) = vlimit(1); x = x + v;% 位置更新 % 边界位置处理 x(x > limit(2)) = limit(2); x(x < limit(1)) = limit(1); record(iter) = fym;%最大值记录 x0 = 0 : 0.01 : 20; plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化') drawnow frame = getframe(1); im = frame2im(frame); [A,map] = rgb2ind(im,256); if iter == 1;imwrite(A,map,'E:\培训\优化算法\pso.gif','gif','LoopCount',Inf,'DelayTime',0.1);elseimwrite(A,map,'E:\培训\优化算法\pso.gif','gif','WriteMode','append','DelayTime',0.1);end iter = iter+1;enddisp(['最大值:',num2str(fym)]);disp(['变量取值:',num2str(ym)]);
另外,大家可以看到,种群历史最优值处我们初始化为了-inf,这是因为我们需要求最大值。但是如果要求最小值应该怎么办呢?最好不要将这里改成+inf,如果这样做,我们后面的最优值更新中全部要改成最小值和<,太麻烦。那么最好的方式就是直接在适应度处加上负号,这样的话就相当于求最小值了,只不过要将最后的最优值取反。
并且我们之前所写的只是一维问题优化,代码优化程度不高,对此我给出一份优化程度较高的代码,以应对多维优化问题:
问题是求21.5+x*sin(4*pi*x)+y*sin(20*pi*y),x=[-3,12.1];y=[4.1,5.8]的极值。
clc;clear;close all;tic%% 参数设定N = 500;d = 2;ger = 1000;w = 0.8;c1 = 0.9;c2 = 0.9;xlimit = [-3 12.1;4.1 5.8];vlimit = [-1 1;-1 1];%% 种群初始化x = repmat(xlimit(:,1)',N,1)+repmat(diff(xlimit'),N,1).*rand(N,d);v = repmat(vlimit(:,1)',N,1)+repmat(diff(vlimit'),N,1).*rand(N,d);xm = x;fxm = -inf*ones(N,1);ym = xlimit(:,1)'+diff(xlimit').*rand(1,d);fym = -inf;%% 开始搜索for i = 1 : ger y = f(x); for j = 1 : N if y(j)>fxm(j) fxm(j)=y(j); xm(j,:) = x(j,:); if y(j)>fym fym = y(j); ym = x(j,:); end end end v = w*v+c1*rand*(xm-x)+c2*rand*(repmat(ym,N,1)-x); x = x+v; x = min(x,repmat(xlimit(:,2)',N,1)); x = max(x,repmat(xlimit(:,1)',N,1)); v = min(v,repmat(vlimit(:,2)',N,1)); v = max(v,repmat(vlimit(:,1)',N,1));endtocdisp(['最优解为:',num2str(ym)]);disp(['最优值为:',num2str(fym)]);子函数为:
function y = f(x)y = 21.5+x(:,1).*sin(4*pi*x(:,1))+x(:,2).*sin(20*pi*x(:,2));end
阅读全文
0 0
- 粒子群算法的matlab实现(二)
- 基于Matlab的粒子群算法实现
- 粒子群算法的matlab实现
- 粒子群算法的matlab实现
- 粒子群算法的matlab实现(一)
- 粒子群算法(二):Python实现
- 粒子群算法(PSO)介绍及matlab实现
- PSO 粒子群算法 Matlab实现
- 算法篇----简易版的粒子群(PSO)实现(Matlab语言)
- 粒子群算法 MATLAB
- C语言实现粒子群算法(PSO)二
- C语言实现粒子群算法(PSO)二
- matlab粒子群算法结合模糊聚类分割算法实现图像的分割
- 基于粒子群算法的最小二乘支持向量机实现多分类(PSO_LSSVM)
- 粒子群算法(5)-----标准粒子群算法的实现
- 粒子群算法(8)---混合粒子群算法的实现
- 粒子群算法(5)-----标准粒子群算法的实现
- 粒子群算法(5)-----标准粒子群算法的实现
- 生产者消费者模型
- WebView---Android与js交互实例
- javah 生成jni所需头文件
- TCP半工作模式
- java复制文件或文件夹
- 粒子群算法的matlab实现(二)
- Shell if else test 语句
- javaee基础之tomcat的系统架构与设计模式
- Mahout---协同过滤算法示例
- Web前端案例_正则表达式案例
- :app:compileDebugJavaWithJavac
- 在Eclipse下安装C++插件CDT
- 链表与表——随心所欲地进出任何队列
- SpringMVC中@RequestBody的作用