matlab粒子群演算法
⑴ 怎麼用matlab中的粒子群演算法求解多目標優化問題
不知道你所說的多目標是指什麼，據我的理解，既然有個目標函數，那麼多目標可以在目標函數那裡表示，我最近也在做這個粒子群演算法， 下面是我的vc++6.0代碼,改造了一下基本粒子群，求路徑的.. #include #include #include using namespace std; d
⑵ 粒子群（PSO）演算法的matlab程序
%不知道你具體的問題是什麼，下面是一個最基本的pso演算法解決函數極值問題，如果是一些大型的問題，需要對速度、慣性常數、和自適應變異做進一步優化，希望對你有幫助
function y = fun(x)
y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289;
%下面是主程序
%% 清空環境
clc
clear
%% 參數初始化
%粒子群演算法中的兩個參數
c1 = 1.49445;
c2 = 1.49445;
maxgen=200; % 進化次數
sizepop=20; %種群規模
Vmax=1;%速度限制
Vmin=-1;
popmax=5;%種群限制
popmin=-5;
%% 產生初始粒子和速度
for i=1:sizepop
%隨機產生一個種群
pop(i,:)=5*rands(1,2); %初始種群
V(i,:)=rands(1,2); %初始化速度
%計算適應度
fitness(i)=fun(pop(i,:)); %染色體的適應度
end
%找最好的染色體
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %個體最佳
fitnessgbest=fitness; %個體最佳適應度值
fitnesszbest=bestfitness; %全局最佳適應度值
%% 迭代尋優
for i=1:maxgen
for j=1:sizepop
%速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
%種群更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%自適應變異（避免粒子群演算法陷入局部最優）
if rand>0.8
k=ceil(2*rand);%ceil朝正無窮大方向取整
pop(j,k)=rand;
end
%適應度值
fitness(j)=fun(pop(j,:));
%個體最優更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群體最優更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i)=fitnesszbest;
end
%% 結果分析
plot(yy)
title(['適應度曲線 ' '終止代數＝' num2str(maxgen)]);
xlabel('進化代數');ylabel('適應度');
以上回答你滿意么？
⑶ 求粒子群演算法MATLAB完整代碼
%% 清空環境
clear
clc
tic
%% 參數初始化
% 粒子群演算法中的兩個參數
c1 = 1.49445;
c2 = 1.49445;
maxgen = 200; % 進化次數
sizepop = 20; % 種群規模
Vmax = 1;
Vmin = -1;
popmax = 5;
popmin = -5;
%% 產生初始粒子和速度
for i = 1:sizepop
% 隨機產生一個種群
pop(i,:) = 5 * rands(1,2); % 初始種群
V(i,:) = rands(1,2); % 初始化速度
% 計算適應度
fitness(i) = fun(pop(i,:)); % 染色體的適應度
end
% 找最好的染色體
[bestfitness bestindex] = min(fitness);
zbest = pop(bestindex,:); % 全局最佳
gbest = pop; % 個體最佳
fitnessgbest = fitness; % 個體最佳適應度值
fitnesszbest = bestfitness; % 全局最佳適應度值
%% 迭代尋優
for i = 1:maxgen
for j = 1:sizepop
% 速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax)) = Vmax;
V(j,find(V(j,:)<Vmin)) = Vmin;
%種群更新
pop(j,:) = pop(j,:) + 0.5*V(j,:);
pop(j,find(pop(j,:)>popmax)) = popmax;
pop(j,find(pop(j,:)<popmin)) = popmin;
% 自適應變異
if rand > 0.8
k = ceil(2*rand);
pop(j,k) = rand;
end
% 適應度值
fitness(j) = fun(pop(j,:));
end
% 個體最優更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
% 群體最優更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
yy(i) = fitnesszbest;
end
toc
%% 結果分析
plot(yy);
title(['適應度曲線 ' '終止代數=' num2str(maxgen)]);
xlabel('進化代數');
ylabel('適應度');
fun函數如下
function y = fun(x)
y = -20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2)) - exp((cos(2*pi*x(1))+ cos(2*pi*x(2)))/2) + 20 + 2.71289;
⑷ 求實現基於粒子群演算法的函數極值尋優演算法MATLAB程序
for i=1:sizepop
% 隨機產生一個種群
pop(i,:)=2*rands(1,2); % 初始化粒子
V(i,:)=0.5*rands(1,2); % 初始化速度
% 計算粒子適應度值
fitness(i)=fun(pop(i,:));
end
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); % 群體極值位置
gbest=pop; % 個體極值位置
fitnessgbest=fitness; % 個體極值適應度值
fitnesszbest=bestfitness % 群體極值適應度值
% 迭代尋優
for i=1:maxgen
% 粒子位置和速度更新
for j=1:sizepop
% 速度更新
V(j,:)=V(j,:)+c1*rand*(gbest(j,:)-pop(j,:))+c2*rand*(zbest-pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
% 粒子更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%新粒子適應度值
fitness(j)=fun(pop(j,:));
end
% 個體極值和種群極值更新
for j=1:sizepop
% 個體極值更新
if fitness(j)>fitnessgbest(j)
gbest(j,:)=pop(j,:);
fitnessgbest(j)=fitness(j);
end
% 群體極值更新
if fitness(j)>fitnesszbest
zbest=pop(j,:);
fitnesszbest=fitness(j);
end
end
% 每代最優值記錄到yy數組中
result(i)=fitnesszbest;
end
% 畫出每代最優個體適應度值
plot(result)
title('最優個體適應度值','fontsize',12);
xlabel('進化代數','fontsize',12);ylabel('適應度值','fontsize',12);
⑸ 用粒子群演算法求解線性約束整數規劃的Matlab程序
對粒子群的約束問題涉及的比較少。這兒摘抄下網路的內容：
PSO演算法推廣到約束優化問題，分為兩類：（http://ke..com/view/1531379.htm）
（1）罰函數法。罰函數的目的是將約束優化問題轉化成無約束優化問題。
（2）將粒子群的搜索范圍都限制在條件約束簇內，即在可行解范圍內尋優。
第一種方法有相關論文，看了下，感覺比較適合等式約束情況，比較類似於在適應度函數中加入拉格朗日乘子的做法，如果論文下不到的話，請留言。
第二種做法倒是用過。大概講下。
針對你的問題，初始化兩維向量，但是由於存在不等式約束，所以考慮先初始化向量的第一維，然後動態算出第二維的范圍，隨機出第二維變數。然後就是計算適應度值，全局、局部最優。
更新過程一樣，先更新第一維變數，然後動態計算第二維的范圍，更新第二維，如果更新後超過了邊界，則取邊界值（或者也可以再次重新更新，直到滿足條件，直覺上感覺第一種還好點，第二種可能會出現無法更新的情況），更新完畢後，計算適應度，更新全局、局部最優解。
補充兩個鏈接吧
http://download.csdn.net/detail/yinjian_2004/1567342
論文：基於改進粒子群優化演算法的約束多目標優化
⑹ 求帶約束條件的粒子群演算法的MATLAB編程
恩
這個比較簡單，可以很容易的做出來
Matlab中提供了兩種方法，數值和解析
1.數值解法使用filter函數
對於遞推公式
a(1)*y(n)+a(2)*y(n-1)
+
...
+
a(na+1)*y(n-na)
=
b(1)*x(n)
+
b(2)*x(n-1)
+
...
+
b(nb+1)*x(n-nb)
我們可以變成如下
filter(b,a,x，zi)其中a和b就是上面的系數，x是需要計算的n,zi是初值
由於使用filter函數需要信號基礎
我們這里不詳細說明
2.解析解法就是Z變換
%首先我們要改變遞推公式如下，否則沒法的到正確結果
%y(n+1)=2y(n),y(0)=-2
L=ztrans(sym('y(n+1)'));%等式左邊的Z變換
R=ztrans(sym('2*y(n)'));%等式右邊的Z變換
S=L-R
%將初值y(0)帶入，我們可以根據y(-1)推出y(0)=-2
%令Y=ztrans(y(n),n,z),y0=y(0)，求解出S中的y(n)的Z變換結果
y0=-2;
s=subs(S,{'ztrans(y(n),n,z)','y(0)'},{'Y',y0});
%求解出y(n)的Z變換結果
Y=solve(s,'Y')
%對Y進行反Z變化
iztrans(Y)
S
=
z*ztrans(y(n),n,z)-y(0)*z-2*ztrans(y(n),n,z)
Y
=
-2*z/(z-2)
ans
=
-2*2^n
⑺ 粒子群演算法用matlab做，要把粒子初始化為矩陣要怎麼做
可以參考一下這段代碼
%------給定初始化條件----------------------------------------------
c1=1.8; %學習因子1
c2=1.8; %學習因子2
WMax=1.6; %慣性權重
WMin=0.8; %慣性權重
MaxDT=100; %最大迭代次數
D=3; %搜索空間維數（未知數個數）
N=30; %初始化群體個體數目
XUp=20/(2^0.5); %初始化位移上限
XDown=-20/(2^0.5); %初始化位移下限
VUp=0.5; %初始化速度上限
VDown=0.0; %初始化速度下限
eps=10^(-6); %設置精度(在已知最小值時候用)
%------初始化種群的個體(可以在這里限定位置和速度的范圍)------------
x=((XUp-XDown).*rand(N,2*D)+XDown); %隨機初始化位置
v=((VUp-VDown).*rand(N,2*D)+VDown); %隨機初始化速度
⑻ matlab用粒子群演算法求解方程組最優解
這關鍵是適應度函數的問題，你可以編寫如下適應度函數：
F=|E（X1y1+X2y2）-0|+|D（X1y1+X2y2）-1|，F值越小越好，||指的是絕對值。
而變數你就選取X1和X2里的每個元素。比如X1=[x1,x2,x3];X2=[x4,x5,x6];你就可以設置PSO的變數為x1到x6這六個值。
答畢，不懂追問。
⑼ matlab用粒子群演算法求解方程組最優解
這關鍵是
適應度函數
的問題，你可以編寫如下適應度函數：
F=|E（X1y1+X2y2）-0|+|D（X1y1+X2y2）-1|，F值越
小越
好，||指的是絕對值。
而變數你就選取X1和X2里的每個元素。比如X1=[x1,x2,x3];X2=[x4,x5,
x6
];你就可以設置PSO的變數為x1到x6這六個值。
答畢，不懂追問。