github:https://github.com/Myoontyee/PSO

背景

粒子群優化（Particle Swarm Optimization, PSO），又稱微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年開發的一種演化計算技術，來源于對一個簡化社會模型的模擬。其中“群（swarm）”來源于微粒群匹配M. M. Millonas在開發應用于人工生命（artificial life）的模型時所提出的群體智能的5個基本原則。“粒子（particle）”是一個折衷的選擇，因為既需要將群體中的成員描述為沒有質量、沒有體積的，同時也需要描述它的速度和加速狀態。

PSO算法最初是為了圖形化的模擬鳥群優美而不可預測的運動。而通過對動物社會行為的觀察，發現在群體中對信息的社會共享提供一個演化的優勢，并以此作為開發算法的基礎。通過加入近鄰的速度匹配、并考慮了多維搜索和根據距離的加速，形成了PSO的最初版本。之后引入了慣性權重來更好的控制開發（exploitation）和探索（exploration），形成了標準版本。為了提高粒群算法的性能和實用性，中山大學、（英國）格拉斯哥大學等又開發了自適應（Adaptive PSO）版本和離散（discrete）版本。

流程

標準PSO的算法流程如下：
??i)初始化一群微粒（群體規模為m），包括隨機的位置和速度；
??ii)評價每個微粒的適應度；
??iii)對每個微粒，將它的適應值和它經歷過的最好位置pbest的作比較，如果較好，則將其作為當前的最好位置pbest；
??iv)對每個微粒，將它的適應值和全局所經歷最好位置gbest的作比較，如果較好，則重新設置gbest的索引號；
??v)變化微粒的速度和位置；
??vi)如未達到結束條件（通常為足夠好的適應值或達到一個預設最大代數Gmax），回到ii）。

特點

??i)相較于傳統算法計算速度非常快，全局搜索能力也很強；
??ii)PSO對于種群大小不十分敏感;
??iii)適用于連續函數極值問題，對于非線性、多峰問題均有較強的全局搜索能力。
??即

• 輸入
  連續函數極值、非線性、多峰值問題
• f(x)
  PSO、MOPSO、etc…
• 輸出
  全局較優解、全局最優解

變量

針對建議修改與建議默認參數均給予解釋與建議值。

??1)待解目標函數

??程序：

f= @(x)x.*sin(x)+x.*sin(2.*x); % 待解目標函數

??解釋：

• 輸入
  需要求解的目標函數（該程序僅針對單目標優化）
• 輸出
  定義優化的目標函數
• Tip
  該處使用函數 $x\times sin(x)+x\times sin(2x)$作為目標函數檢驗算法，在具體的問題中修改該函數為目標函數即可，注意該處為矩陣計算，使用.* .^等進行計算

??2)待解函數上下限

??程序：

xLower = 0; % 待解函數下限 xTop = 30; % 待解函數上限

??解釋：

• 輸入
  目標函數上下限，2個函數定義域內的值
• 輸出
  定義優化時自變量的上下限

??3)插值

??程序：

Interpolation = 0.01; % 插值

??解釋：

• 輸入
  小于函數上下限的數值
• 輸出
  定義目標函數求解時的插值密度
• Tip
  理論上任意小于函數上下限的數值均可，一般取值≤0.01，越小的數值將使得目標函數連續性更好，求解時間更長

??4)最大迭代次數

??程序：

maxIterations = 100; % 最大迭代次數

??解釋：

• 輸入
  最大迭代次數數值
• 輸出
  定義最大迭代次數
• Tip
  取值范圍一般為100~5000，依照實際情況，權衡計算時間與求解結果而定

??5)學習因子

??程序：

selfFactor = 3; % 自我學習因子 crowdFactor = 3; % 群體學習因子

??解釋：

• 輸入
  個體（自我）與群體的學習因子
• 輸出
  個體、群體學習因子定義
• Tip
  取值范圍一般為0~4，依照實際情況，權衡自變量取值范圍而定

??6)速度上下限

??程序：

vLower = -1; % 速度下限 vTop = 1; % 速度上限

??解釋：

• 輸入
  速度上下限數值
• 輸出
  定義學習速度的上下限數值
• Tip
  i)過大速度將導致最優解被越過
  ii)過小速度將導致求解速度過慢

??7)初始種群個數
??程序：

InitialNum = 50; % 初始種群個數

??解釋：

• 輸入
  輸入初始種群個數數值
• 輸出
  定義初始化種群個數
• Tip
  取值范圍一般為500~1000，PSO算法對種群大小不敏感，該處設定為50

??8)慣性權重
??程序：

weightFactor = 0.8; % 慣性權重

??解釋：

• 輸入
  慣性權重數值
• 輸出
  定義慣性權重
• Tip
  取值范圍一般為0.5~1，該參數反映個體歷史成績對現有成績的影響

??9)空間維數
??程序：

d = 1; % 空間維數

??解釋：

• 輸入
  1
• 輸出
  設定空間維數為1
• Tip
  該參數指代自變量個數，1意味著這是個單目標優化問題

代碼

全部實現代碼如下：

clc;clear;close all; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Author: Myoontyee.Chen %% Data：20181221 %% License：BSD 3.0 %% PSO%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Initialization初始化種群%% 可修改參數f= @(x)x.*sin(x)+x.*sin(2.*x); % 待解目標函數 xLower = 0; % 待解函數下限 xTop = 30; % 待解函數上限 Interpolation = 0.01; % 插值 maxIterations = 100; % 最大迭代次數 selfFactor = 3; % 自我學習因子 crowdFactor = 3; % 群體學習因子 vLower = -1; % 速度下限 vTop = 1; % 速度上限 InitialNum = 50; % 初始種群個數 weightFactor = 0.8; % 慣性權重%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 建議默認參數 d = 1; % 空間維數 xLimit = [xLower, xTop]; % 位置參數限制 vLimit = [vLower, vTop]; % 設置速度限制 figure(1); % 線型顏色 Figure1 = ezplot(f,[xLower, Interpolation, xTop]); set(Figure1,'Color','k');%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 位置初始化及其圖像for i = 1:dx = xLimit(i, 1) + (xLimit(i, 2) - xLimit(i, 1)) * rand(InitialNum, d); end %初始種群的位置vInitial = rand(InitialNum, d); % 初始種群的速度 xm = x; % 每個個體的歷史最佳位置 ym = zeros(1, d); % 種群的歷史最佳位置 fxm = zeros(InitialNum, 1); % 每個個體的歷史最佳適應度 fym = -inf; % 種群歷史最佳適應度 hold on plot(xm, f(xm), 'ro');title('參數初始化結果');%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 群體更新 figure(2); iter = 1; record = zeros(maxIterations, 1); % 記錄器 while iter <= maxIterationsfx = f(x) ; % 個體當前適應度 for i = 1:InitialNum if fxm(i) < fx(i)fxm(i) = fx(i); % 更新個體歷史最佳適應度xm(i,:) = x(i,:); % 更新個體歷史最佳位置end end if fym < max(fxm)[fym, nmax] = max(fxm); % 更新群體歷史最佳適應度ym = xm(nmax, :); % 更新群體歷史最佳位置 end % 速度更新vInitial = vInitial * weightFactor + selfFactor * rand * (xm - x) + crowdFactor * rand * (repmat(ym, InitialNum, 1) - x);% 邊界速度處理vInitial(vInitial > vLimit(2)) = vLimit(2);vInitial(vInitial < vLimit(1)) = vLimit(1);x = x + vInitial; % 位置更新% 邊界位置處理x(x > xLimit(2)) = xLimit(2);x(x < xLimit(1)) = xLimit(1);record(iter) = fym; %最大值記錄%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 迭代過程及其圖像% 若想直接觀看結果，可注釋掉該部分x0 = xLower : Interpolation : xTop;plot(x0, f(x0), 'k-', x, f(x), 'ro');title('狀態位置變化');pause(0.1)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%iter = iter+1; end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 收斂過程記錄圖像 figure(3); plot(record,'k-'); title('收斂過程記錄');%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 最終狀態位置圖像 x0 = xLower : Interpolation : xTop; figure(4); plot(x0, f(x0), 'k-', x, f(x), 'ro');title('最終狀態位置'); disp(['最大值：',num2str(fym)]); disp(['變量取值：',num2str(ym)]);

結果

運行程序
輸入

PSO.m

輸出

最大值：45.8982 變量取值：26.0839

參考

[1]楊維, 李歧強. 粒子群優化算法綜述[J]. 中國工程科學, 2004, 6(5):87-94.
[2]粒子群優化
[3]粒子群算法的matlab實現（一）

總結

以上是生活随笔為你收集整理的粒子群优化算法（PSO）及其Matlab实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。