一种适用于多元离散函数的粒子群算法及matlab实现

星球坠落

于 2018-09-20 11:35:34 发布

阅读量6.1k

点赞数 4

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_42620091/article/details/82784269

该博客介绍了如何使用粒子群优化算法解决多元离散函数问题，通过MATLAB代码展示了算法的详细步骤，包括目标函数绘制、参数初始化、种群生成、迭代寻优以及结果输出。在迭代过程中，算法不断更新粒子的速度和位置以寻找最优解。最终，通过函数fun计算适应度值，并将最优解标记在3D图上。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

%% I. 清空环境
clc
clear

%% II. 绘制目标函数曲线
figure
[x,y] = meshgrid(1:1:100,1:1:100);%x，y 定义域
global z; %全局变量存放z

for i=1:100
for j = 1:100
z(i,j) = x(i,j)+y(i,j);%z=x+y
end
end

mesh(x,y,z)
hold on

%% III. 参数初始化
c1 = 1.49445;
c2 = 1.49445;

maxgen = 100; % 进化次数
sizepop = 100; %种群规模
%设置最大最小速度，最大最小种群位置
Vmax = 1;
Vmin = -1;
pop1max = 1;
pop1min = -1;
pop2max = 1;
pop2min = -1;

%% IV. 产生初始粒子和速度

for i = 1:sizepop
% 产生一个种群
pop(i,:) = [50rand+51,50rand+51]; %初始种群
V(i,:) = [5rand+51,5rand+51]; %初始化速度
% 计算适应度
fitness(i) = fun(pop(i,:)); %染色体的适应度
end

%% V. 个体极值和群体极值
[bestfitness bestindex] = max(fitness);
zbest = pop(bestindex,:); %全局最佳
gbest = pop; %个体最佳
fitnessgbest = fitness; %个体最佳适应度值
fitnesszbest = bestfitness; %全局最佳适应度值

%% VI. 迭代寻优
for i = 1:maxgen
for j = 1:sizepop
% 速度更新
V(j,:) = V(j,