阿白数模笔记之粒子群法(Particle Swarm Optimization,PSO)负反馈(Degenerative Feedback)修正及MATLAB代码详解

本文主要是介绍阿白数模笔记之粒子群法(Particle Swarm Optimization,PSO)负反馈(Degenerative Feedback)修正及MATLAB代码详解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

Preface

基本粒子群法(Basic particle swarm optimization)

负反馈(Degenerative Feedback)修正

MATLAB代码详解

多峰函数

 参数初始化

迭代过程

结果显示

参考文章

Preface

        粒子群优化Particle Swarm OptimizationPSO),又称微粒群算法,是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术,来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群匹配M. M. Millonas在开发应用于人工生命(artificial life)的模型时所提出的群体智能的5个基本原则。“粒子(particle)”是一个折衷的选择,因为既需要将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。

基本粒子群法(Basic particle swarm optimization)

        在D维空间,N个粒子组成一个群落X=(X_1,X_2,...X_N),每个粒子位置坐标是D维向量,

X_i=(x_{i1},x_{i2},...x_{iD}),i=1,2,...N,在每个维度上的速度也是D维向量V_i=(v_{i1},v_{i2},...v_{iD}),i=1,2,...D,在迭代过程中,对每一个粒子X_i,保留它迄今为止搜索到的最优位置为个体极值P_i{best}=(p_{i1},p_{i2},...p_{iD}),i=1,2,...N,整个粒子群搜索到的最优路径为G_{best}=(g_1,g_2,...g_D),每进行一次迭代,粒子的位置和速度都会更新,更新公式为

x_{ij}(t+1)=x_{ij}(t)+v_{ij}(t),i=1,2,...N,j=1,2,...D,i表示第几个粒子,j表示维度

v_{ij}(t+1)=wv_{ij}(t)+c_1*rand()*(p_{ij}-x_{ij}(t))+c_1*rand()*(gj-x_{ij}(t)),i=1,2,...N,j=1,2,...D

其中w是惯性系数,即前一次迭代速度对后一次的影响系数,p_{ij}-x_{ij}(t)表示个体目前最优极值对搜索的影响,反映了粒子的认知能力,c_1>0gj-x_{ij}(t)表示群体最优极值对个体的影响,反映了粒子的社会性行为,c_2>0,均为正反馈调节。

负反馈(Degenerative Feedback)修正

        在速度更新公式的基础上,引入负反馈调节因子c_3,c_4进行修正。在迭代过程中,对每一个粒子迄今为止搜索到的最差路径为个体极差值,P_i{worst}=(p'_{i1},p'_{i2},...p'_{iD}),i=1,2,...N,整个粒子群搜索到的最优路径为G_{worst}=(g'_1,g'_2,...g'_D),修正后的速度更新公式为v_{ij}(t+1)=wv_{ij}(t)+c_1*rand()*(p_{ij}-x_{ij}(t))+c_1*rand()*(gj-x_{ij}(t))+c_3*rand()*(p'_{ij}-x_{ij}(t))+c_4*rand()*(g'_j-x_{ij}(t)),i=1,2,...N,j=1,2,...D,其中

c_3<0,c_4<0,表示负反馈调节,增强了个体的认知能力的社会能力。

MATLAB代码详解

多峰函数

        这是待求极小值的多峰函数

function v=func3(x)
v=((1*cos((1+1).*x(1)+1))+(2*cos((2+1).*x(1)+2))+(3*cos((3+1).*x(1)+3))+...(4*cos((4+1).*x(1)+4))+(5*cos((5+1).*x(1)+5))).*((1*cos((1+1).*x(2)+1))+...(2*cos((2+1).*x(2)+2))+(3*cos((3+1).*x(2)+3))+(4*cos((4+1).*x(2)+4))+(5*cos((5+1).*x(2)+5)));
end
x=linspace(-10,10,2000);
y=x;
z=meshgrid(x,y);
for i=1:size(x,2)for j=1:size(x,2)z(i,j)=func3([x(i),y(j)]);end
end
mesh(x,y,z);

 参数初始化

clear all; %清除所有变量
close all; %清图
clc; %清屏
N = 100; %群体粒子个数
D = 2; %粒子维数
T = 200; %最大迭代次数
c1 = 1.5; %正反馈调节因子1
c2 = 1.5; %正反馈调节因子2
c3=-0.5;%负反馈调节因子1
c4=-0.5;%负反馈调节因子2
Wmax = 0.8; %惯性权重最大值
Wmin = 0.4; %惯性权重最小值
Xmax = 10; %位置最大值
Xmin = -10; %位置最小值
Vmax = 1; %速度最大值,当更新后速度v>Vmax,取v=Vmax
Vmin = -1; %速度最小值,当更新后速度v<Vmin,取v=Vmin
%%%%%%%%%%%%初始化种群个体(限定位置和速度)%%%%%%%%%%%%
x = rand(N,D) * (Xmax-Xmin)+Xmin;
v = rand(N,D) * (Vmax-Vmin)+Vmin;%%%%%%%%%%%%%初始化个体最优位置最优值以及最差位置最差值%%%%%%%%%%%%%
p = x;
pw=x;
pbest = ones(N,1);
for i = 1:Npbest(i) = func3(x(i,:));
end
pworst=pbest;%初始时刻个体最优值也是最差值%%%%%%%%%%%%%初始化全局最优位置和最优值%%%%%%%%%%%%
g = ones(1,D);
gw=ones(1,D);
gbest = inf;
gworst=-inf;
for i = 1:Nif(pbest(i) < gbest)g = p(i,:);gbest = pbest(i);elseif (pbest(i)>gworst)gw=p(i,:);gworst=pbest(i);end
end
gb = ones(1,T);%记录每次迭代最优值

迭代过程

%%%%%%%%%按照公式依次迭代直到满足精度或者迭代次数%%%%%%%%
for i = 1:Tfor j = 1:N%%%%%%%%%更新个体最优位置和最优值%%%%%%%%%%%%%if (func3(x(j,:)) < pbest(j))p(j,:) = x(j,:);pbest(j) = func3(x(j,:));%%%%%%%%%更新个体最差位置和最差值%%%%%%%%%%%%%elseif (func3(x(j,:)) >pworst(j))pw(j,:)=x(j,:);pworst(j)= func3(x(j,:));end%%%%%%%%%%更新全局最优位置和最优值%%%%%%%%%%%%if(pbest(j) < gbest)g = p(j,:);gbest = pbest(j);%%%%%%%%%%更新最差位置和最差值%%%%%%%%%%%%elseif (pworst(j) > gworst)gw=p(j,:);gworst=pworst(j);end%%%%%%%%%%%计算动态惯性权重值%%%%%%%%%%%%%%%w = Wmax-(Wmax-Wmin)*i/T;%线性递减公式%%%%%%%%%%%%更新位置和速度值%%%%%%%%%%%%%%%v(j,:) = w*v(j,:)+c1*rand*(p(j,:)-x(j,:))...+c2*rand*(g-x(j,:))+c3*rand*(pw(j,:)-x(j,:))+c4*rand*(gw-x(j,:));x(j,:) = x(j,:)+v(j,:);%%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%for ii = 1:Dif (v(j,ii) > Vmax) | (v(j,ii) < Vmin)v(j,ii) = rand * (Vmax-Vmin)+Vmin;endif (x(j,ii) > Xmax) | (x(j,ii) < Xmin)x(j,ii) = rand * (Xmax-Xmin)+Xmin;endendend%%%%%%%%%%%%%%记录历代全局最优值%%%%%%%%%%%%%%gb(i) = gbest;
end

结果显示

g  %最优个体
gb(end)  %最优值
figure
plot(gb)
xlabel('Iterations');
ylabel('Fitness value');
title('Fitness evolution curve')

参考文章

基本粒子群算法小结及算法实例(附Matlab代码)

这篇关于阿白数模笔记之粒子群法(Particle Swarm Optimization,PSO)负反馈(Degenerative Feedback)修正及MATLAB代码详解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/260946

相关文章

Vue中动态权限到按钮的完整实现方案详解

《Vue中动态权限到按钮的完整实现方案详解》这篇文章主要为大家详细介绍了Vue如何在现有方案的基础上加入对路由的增、删、改、查权限控制,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、数据库设计扩展1.1 修改路由表(routes)1.2 修改角色与路由权限表(role_routes)二、后端接口设计

MySQL 日期时间格式化函数 DATE_FORMAT() 的使用示例详解

《MySQL日期时间格式化函数DATE_FORMAT()的使用示例详解》`DATE_FORMAT()`是MySQL中用于格式化日期时间的函数,本文详细介绍了其语法、格式化字符串的含义以及常见日期... 目录一、DATE_FORMAT()语法二、格式化字符串详解三、常见日期时间格式组合四、业务场景五、总结一、

Qt实现发送HTTP请求的示例详解

《Qt实现发送HTTP请求的示例详解》这篇文章主要为大家详细介绍了如何通过Qt实现发送HTTP请求,文中的示例代码讲解详细,具有一定的借鉴价值,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1、添加network模块2、包含改头文件3、创建网络访问管理器4、创建接口5、创建网络请求对象6、创建一个回复对

Apache伪静态(Rewrite).htaccess文件详解与配置技巧

《Apache伪静态(Rewrite).htaccess文件详解与配置技巧》Apache伪静态(Rewrite).htaccess是一个纯文本文件,它里面存放着Apache服务器配置相关的指令,主要的... 一、.htAccess的基本作用.htaccess是一个纯文本文件,它里面存放着Apache服务器

Java中有什么工具可以进行代码反编译详解

《Java中有什么工具可以进行代码反编译详解》:本文主要介绍Java中有什么工具可以进行代码反编译的相关资,料,包括JD-GUI、CFR、Procyon、Fernflower、Javap、Byte... 目录1.JD-GUI2.CFR3.Procyon Decompiler4.Fernflower5.Jav

golang panic 函数用法示例详解

《golangpanic函数用法示例详解》在Go语言中,panic用于触发不可恢复的错误,终止函数执行并逐层向上触发defer,最终若未被recover捕获,程序会崩溃,recover用于在def... 目录1. panic 的作用2. 基本用法3. recover 的使用规则4. 错误处理建议5. 常见错

pycharm远程连接服务器运行pytorch的过程详解

《pycharm远程连接服务器运行pytorch的过程详解》:本文主要介绍在Linux环境下使用Anaconda管理不同版本的Python环境,并通过PyCharm远程连接服务器来运行PyTorc... 目录linux部署pytorch背景介绍Anaconda安装Linux安装pytorch虚拟环境安装cu

一文详解如何在Python中使用Requests库

《一文详解如何在Python中使用Requests库》:本文主要介绍如何在Python中使用Requests库的相关资料,Requests库是Python中常用的第三方库,用于简化HTTP请求的发... 目录前言1. 安装Requests库2. 发起GET请求3. 发送带有查询参数的GET请求4. 发起PO

Python进行PDF文件拆分的示例详解

《Python进行PDF文件拆分的示例详解》在日常生活中,我们常常会遇到大型的PDF文件,难以发送,将PDF拆分成多个小文件是一个实用的解决方案,下面我们就来看看如何使用Python实现PDF文件拆分... 目录使用工具将PDF按页数拆分将PDF的每一页拆分为单独的文件将PDF按指定页数拆分根据页码范围拆分

Java中的Cursor使用详解

《Java中的Cursor使用详解》本文介绍了Java中的Cursor接口及其在大数据集处理中的优势,包括逐行读取、分页处理、流控制、动态改变查询、并发控制和减少网络流量等,感兴趣的朋友一起看看吧... 最近看代码,有一段代码涉及到Cursor,感觉写法挺有意思的。注意是Cursor,而不是Consumer