粒子群算法详解
来源:互联网 发布:92game 极客网源码 编辑:程序博客网 时间:2024/06/06 12:37
一.产生背景
❃粒子群算法(particleswarm optimization,PSO)由Kennedy和Eberhart在1995年提出,该算法对于Hepper的模拟鸟群(鱼群)的模型进行修正,以使粒子能够飞向解空间,并在最好解处降落,从而得到了粒子群优化算法。
❃同遗传算法类似,也是一种基于群体叠代的,但并没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。
❃PSO的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景,既适合科学研究,又特别适合工程应用。
设想这样一个场景:一群鸟在随机的搜索食物。在这个区域里只有一块食物,所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。
那么找到食物的最优策略是什么?
最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
❃每个寻优的问题解都被想像成一只鸟,称为“粒子”。所有粒子都在一个D维空间进行搜索。
❃所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。
❃每一个粒子必须赋予记忆功能,能记住所搜寻到的最佳位置。
❃每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
(2)基本PSO算法a. D维空间中,有m个粒子;
粒子i位置:xi=(xi1,xi2,…xiD)
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
群体内(或领域内)所有粒子所经历过的最好位置:
pg =(pg1,pg2,…pgD)
PS:一般来说,粒子的位置和速度都是在连续的实数空间内进行取值。
b.基本PSO公式
(3)基本PSO算法流程图
关于每个粒子的更新速度和位置的公式如下:
三.简单应用
算法执行的过程如下:
close all;clear all;PopSize=500;%种群大小CityNum = 14;%城市数OldBestFitness=0;%旧的最优适应度值Iteration=0;%迭代次数MaxIteration =2000;%最大迭代次数IsStop=0;%程序停止标志 Num=0;%取得相同适应度值的迭代次数c1=0.5;%认知系数c2=0.7;%社会学习系数w=0.96-Iteration/MaxIteration;%惯性系数,随迭代次数增加而递减%节点坐标node=[16.47 96.10; 16.47 94.44; 20.09 92.54; 22.39 93.37; 25.23 97.24;... 22.00 96.05; 20.47 97.02; 17.20 96.29; 16.30 97.38; 14.05 98.12;... 16.53 97.38; 21.52 95.59; 19.41 97.13; 20.09 94.55];%初始化各粒子,即产生路径种群Group=ones(CityNum,PopSize); for i=1:PopSize Group(:,i)=randperm(CityNum)';endGroup=Arrange(Group);%初始化粒子速度(即交换序)Velocity =zeros(CityNum,PopSize); for i=1:PopSize Velocity(:,i)=round(rand(1,CityNum)'*CityNum); %round取整end%计算每个城市之间的距离CityBetweenDistance=zeros(CityNum,CityNum); for i=1:CityNum for j=1:CityNum CityBetweenDistance(i,j)=sqrt((node(i,1)-node(j,1))^2+(node(i,2)-node(j,2))^2); endend%计算每条路径的距离for i=1:PopSize EachPathDis(i) = PathDistance(Group(:,i)',CityBetweenDistance);endIndivdualBest=Group;%记录各粒子的个体极值点位置,即个体找到的最短路径IndivdualBestFitness=EachPathDis;%记录最佳适应度值,即个体找到的最短路径的长度[GlobalBestFitness,index]=min(EachPathDis);%找出全局最优值和相应序号 %初始随机解figure;subplot(2,2,1);PathPlot(node,CityNum,index,IndivdualBest);title('随机解');%寻优while(IsStop == 0) & (Iteration < MaxIteration) %迭代次数递增 Iteration = Iteration +1; %更新全局极值点位置,这里指路径 for i=1:PopSize GlobalBest(:,i) = Group(:,index); end %求pij-xij ,pgj-xij交换序,并以概率c1,c2的保留交换序 pij_xij=GenerateChangeNums(Group,IndivdualBest); pij_xij=HoldByOdds(pij_xij,c1); pgj_xij=GenerateChangeNums(Group,GlobalBest); pgj_xij=HoldByOdds(pgj_xij,c2); %以概率w保留上一代交换序 Velocity=HoldByOdds(Velocity,w); Group = PathExchange(Group,Velocity); %根据交换序进行路径交换 Group = PathExchange(Group,pij_xij); Group = PathExchange(Group,pgj_xij); for i = 1:PopSize % 更新各路径总距离 EachPathDis(i) = PathDistance(Group(:,i)',CityBetweenDistance); end IsChange = EachPathDis<IndivdualBestFitness;%更新后的距离优于更新前的,记录序号 IndivdualBest(:, find(IsChange)) = Group(:, find(IsChange));%更新个体最佳路径 IndivdualBestFitness = IndivdualBestFitness.*( ~IsChange) + EachPathDis.*IsChange;%更新个体最佳路径距离 [GlobalBestFitness, index] = min(EachPathDis);%更新全局最佳路径,记录相应的序号 if GlobalBestFitness==OldBestFitness %比较更新前和更新后的适应度值; Num=Num+1; %相等时记录加一; else OldBestFitness=GlobalBestFitness;%不相等时更新适应度值,并记录清零; Num=0; end if Num >= 20 %多次迭代的适应度值相近时程序停止 IsStop=1; end BestFitness(Iteration) =GlobalBestFitness;%每一代的最优适应度end%最优解subplot(2,2,2);PathPlot(node,CityNum,index,IndivdualBest);title('优化解');%进化曲线subplot(2,2,3);plot((1:Iteration),BestFitness(1:Iteration));grid on;title('进化曲线');%最小路径值GlobalBestFitness运行结果如下:
package pso;import java.awt.*;import java.awt.event.*;import java.io.ByteArrayInputStream;import java.io.InputStream;import javax.swing.*;import javax.swing.event.*;public class Pso extends Frame implements Runnable{ private static int particleNumber; //粒子的数量 private static int iterations; //迭代的次数 private static int k=1; //记录迭代的次数 final private static float C1=2; //学习因子 final private static float C2=2; final private static float WMIN=-200; final private static float WMAX=200; final private static float VMAX=200; private static float r1; //随机数0-1之间 private static float r2; private static float x[][]; private static float v[][]; private static float xpbest[][]; private static float pbest[]; private static float gbest=0; private static float xgbest[]; private static float w; //惯性因子 private static float s; private static float h; private static float fit[]; public Sounds sound; //粒子群的迭代函数public void lzqjs(){ w=(float)(0.9-k*(0.9-0.4)/iterations); for(int i=0;i<particleNumber;i++) { fit[i]= (float)(1/(Math.pow(x[i][0],2)+Math.pow(x[i][1],2))); //求适值函数最大值 System.out.print("粒子"+i+"本次适应值函数f为:" + fit[i]); System.out.println(); if(fit[i]>pbest[i]) { pbest[i]=fit[i]; xpbest[i][0]=x[i][0]; xpbest[i][1]=x[i][1]; } if(pbest[i]>gbest) { gbest=pbest[i]; xgbest[0]=xpbest[i][0]; xgbest[1]=xpbest[i][1]; } } for(int i=0;i<particleNumber;i++) { for(int j=0;j<2;j++) { //粒子速度和位置迭代方程: v[i][j]=(float)(w*v[i][j]+C1*Math.random()*(xpbest[i][j]-x[i][j])+C2*Math.random()*(xgbest[j]-x[i][j])); x[i][j]=(float)(x[i][j]+v[i][j]); } System.out.print("粒子"+i+"本次X1的速度变化幅度:"+v[i][0]+";本次X2的速度变化幅度:"+v[i][1]); System.out.println(); System.out.print("粒子"+i+"本次X1为:"+x[i][0]+";本次X2为:"+x[i][1]); System.out.println(); }}public static void main(String[] args){particleNumber=Integer.parseInt(JOptionPane.showInputDialog("请输入粒子个数1-500)"));iterations=Integer.parseInt(JOptionPane.showInputDialog("请输入迭代次数"));x=new float [particleNumber][2];v=new float [particleNumber][2];fit=new float [particleNumber]; //存储适值函数值pbest=new float [particleNumber]; //存储整个粒子群的最有位置xpbest=new float [particleNumber][2];xgbest=new float [2];for(int i=0;i<particleNumber;i++){//对数组的初始化操作pbest[i]=0;xpbest[i][0]=0;xpbest[i][1]=0;}xgbest[0]=0;xgbest[1]=0; System.out.println("开始初始化:");for(int i=0;i<particleNumber;i++){for(int j=0;j<2;j++){//任意给定每个位置一定的位置值和速度值x[i][j]=(float)(WMAX*Math.random()+WMIN);v[i][j]=(float)(VMAX*Math.random());}System.out.print("粒子"+i+"本次X1的变化幅度:"+v[i][0]+";本次X2的变化幅度:"+v[i][1]); System.out.println(); System.out.print("粒子"+i+"本次X1为:"+x[i][0]+";本次X2为:"+x[i][1]); System.out.println();}System.out.println("初始化数据结束,开始迭代.....");Pso threada=new Pso();threada.setTitle("基于粒子群的粒子位置动态显示");threada.setSize(800,800);threada.addWindowListener(new gbck());threada.setVisible(true); Thread threadc=new Thread(threada); threadc.start();}static class gbck extends WindowAdapter{public void windowClosing(WindowEvent e){System.exit(0);}}//开启的额外线程用于声音的播放public void run(){ repaint(); for(int i=0;i<iterations;i++){ sound(); }}public void paint(Graphics g){ g.setColor(new Color(0,0,0)); for(int i=0;i<particleNumber;i++) { g.drawString("*",(int)(x[i][0]+200),(int)(x[i][1]+200)); } g.setColor(new Color(255,0,0)); g.drawString("全局最优适应度函数值:"+gbest+" 参数1:"+xgbest[0]+" 参数2:"+xgbest[1]+" 迭代次数:"+ k,50,725); try{lzqjs(); //开始迭代if(k>=iterations){Thread.sleep((int)(5000));System.exit(0);}k=k+1; //每次迭代一次加1操作Thread.sleep((int)(1000));} catch(InterruptedException e) { System.out.println(e.toString()); } repaint();}public void sound(){ sound =new Sounds("050.wav"); InputStream stream =new ByteArrayInputStream(sound.getSamples()); // play the sound sound.play(stream); // exit}}运行的结果如下:
- 粒子群算法详解
- 粒子群PSO算法
- 粒子群算法介绍
- 粒子群算法(PSO)
- 粒子群优化算法
- pso粒子群算法
- PSO 粒子群算法
- 粒子群优化算法
- 粒子群优化算法
- 粒子群优化算法
- 粒子群优化算法
- 粒子群算法
- 粒子群算法二
- 粒子群算法-PSO
- 二进制粒子群算法
- 粒子群优化算法
- 粒子群算法
- 粒子群算法(PSO)
- Eclipse运行项目Unable to execute dex: java.nio.BufferOverflowException.
- IOS 动画框架pop使用方法
- 时间复杂度计算
- maven-MAVEN类包冲突终极三大解决技巧
- ActiveMQ中Producer特性详解
- 粒子群算法详解
- Spring Boot 过滤器、监听器
- Android开发省时神器--JRebel
- JQ选择器详解
- [caffe笔记001]:caffe依赖库安装(非root)
- unity linght
- TortoiseGit教程(简单粗暴版)
- 盘点:国内外军工行业(固态硬盘)数据销毁方式
- 贪心入门1(完美字符串)