PsoProcess-PSO-matlab

最新推荐文章于 2022-10-30 07:11:59 发布

转载最新推荐文章于 2022-10-30 07:11:59 发布 · 659 阅读

PSO 专栏收录该内容

1 篇文章

订阅专栏

本文介绍了一个基于粒子群优化（PSO）算法的Matlab实现，详细解释了如何通过指定种群大小、粒子维数等参数来执行算法，并提供了完整的代码示例及性能评估方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

function [Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)
%功能描述：一个循环n次的PSO算法完整过程，返回这次运行的最小与最大的平均适应度,以及在线性能与离线性能
%[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot)
%输入参数：SwarmSize:种群大小的个数
%输入参数：ParticleSize：一个粒子的维数
%输入参数：ParticleScope:一个粒子在运算中各维的范围；
%　　　　　　　　 ParticleScope格式:
%　　　　　　　　　　 3维粒子的ParticleScope格式:
%　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 [x1Min,x1Max
%　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 x2Min,x2Max
%　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 x3Min,x3Max]
%
%输入参数:InitFunc:初始化粒子群函数
%输入参数:StepFindFunc:单步更新速度，位置函数
%输入参数：AdaptFunc：适应度函数
%输入参数：IsStep：是否每次迭代暂停；IsStep＝0，不暂停，否则暂停。缺省不暂停
%输入参数：IsDraw：是否图形化迭代过程；IsDraw＝0，不图形化迭代过程，否则，图形化表示。缺省不图形化表示
%输入参数：LoopCount：迭代的次数；缺省迭代100次
%输入参数：IsPlot：控制是否绘制在线性能与离线性能的图形表示；IsPlot=0,不显示；
%　　　　　　　　　　　　　　　　 IsPlot=1；显示图形结果。缺省IsPlot=1
%
%返回值：Result为经过迭代后得到的最优解
%返回值：OnLine为在线性能的数据
%返回值：OffLine为离线性能的数据
%返回值：MinMaxMeanAdapt为本次完整迭代得到的最小与最大的平均适应度
%
%用法[Result,OnLine,OffLine,MinMaxMeanAdapt]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,AdaptFunc,IsStep,IsDraw,LoopCount,IsPlot);
%
%异常：首先保证该文件在Matlab的搜索路径中，然后查看相关的提示信息。
%
%编制人：XXX
%编制时间：2007.3.26
%参考文献：XXXXX%

%修改记录：
%添加MinMaxMeanAdapt，以得到性能评估数据
%修改人：XXX
%修改时间：2007.3.27
%参考文献：XXX.

%容错控制
if nargin<4
  error('输入的参数个数错误。')
end

[row,colum]=size(ParticleSize);
if row>1||colum>1
  error('输入的粒子的维数错误，是一个1行1列的数据。');
end
[row,colum]=size(ParticleScope);
if row~=ParticleSize||colum~=2
  error('输入的粒子的维数范围错误。');
end

%设置缺省值
if nargin<7
  IsPlot=1;
  LoopCount=100;
  IsStep=0;
  IsDraw=0;
end
if nargin<8
  IsPlot=1;
  IsDraw=0;
  LoopCount=100;
end
if nargin<9
  LoopCount=100;
  IsPlot=1;
end
if nargin<10
  IsPlot=1;
end

%控制是否显示2维以下粒子维数的寻找最优的过程
 if IsDraw~=0
    DrawObjGraphic(ParticleScope,AdaptFunc);
 end

%初始化种群　　　　　　 
<strong>[ParSwarm,OptSwarm]=InitFunc(SwarmSize,ParticleSize,ParticleScope,AdaptFunc)</strong>

%在测试函数图形上绘制初始化群的位置
if IsDraw~=0
  if 1==ParticleSize
    for ParSwarmRow=1:SwarmSize
     plot([ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,1)],[ParSwarm(ParSwarmRow,3),0],'r*-','markersize',8);
     text(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,3),num2str(ParSwarmRow));
    end
  end

  if 2==ParticleSize
    for ParSwarmRow=1:SwarmSize
      stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);
    end
  end
end
%暂停抓图

if IsStep~=0
   disp('开始迭代，按任意键：')
   pause
end

%开始更新算法的调用
for k=1:LoopCount
  %显示迭代的次数：
  disp('----------------------------------------------------------')
  TempStr=sprintf('第 %g 此迭代',k);
  disp(TempStr);
  disp('----------------------------------------------------------')
 
  %调用一步迭代的算法
 <strong> [ParSwarm,OptSwarm]=StepFindFunc(ParSwarm,OptSwarm,AdaptFunc,ParticleScope,0.95,0.4,LoopCount,k)</strong>
 
  %在目标函数的图形上绘制2维以下的粒子的新位置

  if IsDraw~=0
  if 1==ParticleSize
    for ParSwarmRow=1:SwarmSize
       plot([ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,1)],[ParSwarm(ParSwarmRow,3),0],'r*-','markersize',8);
       text(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,3),num2str(ParSwarmRow));
    end
  end

  if 2==ParticleSize
    for ParSwarmRow=1:SwarmSize
    stem3(ParSwarm(ParSwarmRow,1),ParSwarm(ParSwarmRow,2),ParSwarm(ParSwarmRow,5),'r.','markersize',8);
    end
  end
 end
 
 <strong>XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
 YResult=AdaptFunc(XResult);
 if IsStep~=0
    XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
    YResult=AdaptFunc(XResult); 
    str=sprintf('%g步迭代的最优目标函数值%g',k,YResult);
    disp(str);
    disp('下次迭代，按任意键继续');
    pause
 end</strong>
 
 %记录每一步的平均适应度
   <strong> MeanAdapt(1,k)=mean(ParSwarm(:,2*ParticleSize+1));</strong>
end
%for循环结束标志

%记录最小与最大的平均适应度
<strong>MinMaxMeanAdapt=[min(MeanAdapt),max(MeanAdapt)];</strong>
%计算离线与在线性能
for k=1:LoopCount
   OnLine(1,k)=sum(MeanAdapt(1,1:k))/k;
   OffLine(1,k)=max(MeanAdapt(1,1:k));
end

for k=1:LoopCount
   OffLine(1,k)=sum(OffLine(1,1:k))/k;
end

%绘制离线性能与在线性能曲线
if 1==IsPlot
   figure
   hold on
   title('离线性能曲线图')
   xlabel('迭代次数');
   ylabel('离线性能');
   grid on
   plot(OffLine);

   figure
   hold on
   title('在线性能曲线图')
   xlabel('迭代次数');
   ylabel('在线性能');
   grid on
   plot(OnLine);
end
%记录本次迭代得到的最优结果
<strong>XResult=OptSwarm(SwarmSize+1,1:ParticleSize);
YResult=AdaptFunc(XResult);
Result=[XResult,YResult];</strong>