- 积分
- 21200
- 贡献
-
- 精华
- 在线时间
- 小时
- 注册时间
- 2017-7-30
- 最后登录
- 1970-1-1
|
登录后查看更多精彩内容~
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
代码1:main.m+fun.m
代码2:
[size=13.3333px]function main()
[size=13.3333px]clc;clear all; close all;
[size=13.3333px]tic; % 程序运行计时
[size=13.3333px]E0 = 0.001; % 允许误差
[size=13.3333px]MaxNum = 100; % 粒子最大迭代次数
[size=13.3333px]narvs = 1; % 目标函数的自变量个数
[size=13.3333px]particlesize = 30; % 粒子群规模
[size=13.3333px]c1 = 2; % 个体经验学习因子
[size=13.3333px]c2 = 2; % 社会经验学习因子
[size=13.3333px]w =0.6; % 惯性因子
[size=13.3333px]vmax = 0.8; % 粒子的最大飞翔速度
[size=13.3333px]x = -5 + 10 * rand(particlesize, narvs);% 粒子所在的位置 (rand产生的大小为0,1),规模是 粒子群数和参数需求数 设置了x的取值范围[-5,5]
[size=13.3333px]v = 2*rand(particlesize,narvs); % 粒子的飞翔速度 生成每个粒子的飞翔速度,由于是只有一个变量,所以速度是一维的
[size=13.3333px]% 用inline定义适应度函数以便将子函数文件与主程序文件放到一起
[size=13.3333px]% 目标函数是:y = 1+(2.1*(1- x + 2*x.^2).*exp(-x.^2 / 2)) # 与Python不同的是,这里必须要写成.*
[size=13.3333px]% .^之类的,因为定义不同
[size=13.3333px]fitness = inline('1/(1+(2.1*(1 - x + 2 * x.^2).*exp(-x.^2/2)))','x'); % 这里求倒数,还在分母上加了个1,确保不会出现分母为0的情况,转为求最小值位置
[size=13.3333px]% inline函数定义可以大大降低程序运行速度
[size=13.3333px]for i= 1:particlesize
[size=13.3333px] f(i) = fitness(x(i,1));
[size=13.3333px]end
[size=13.3333px]% 完成了对每一个粒子,在各自位置上的适应值
[size=13.3333px]% 粒子开始学习
[size=13.3333px]personalbest_x=x; % 用于存储对于每一个粒子最佳经历点的x值
[size=13.3333px]personalbest_faval=f; % 同时存储对于每一个粒子的最佳经历点的数值,用于更改
[size=13.3333px][globalbest_faval,i] = min(personalbest_faval); % min函数返回的第一个是最小值,还有一个就是最小值的下标,这里就是告诉了是在哪个粒子上
[size=13.3333px]globalbest_x = personalbest_x(i,:); % 这个是必定是全局最优点的位置
[size=13.3333px]k = 1; % 开始迭代计数
[size=13.3333px]while k <= MaxNum % 当迭代次数达到设定的最大值的时候,就不要再进行迭代了
[size=13.3333px] for i = 1:particlesize % 对于每一个粒子
[size=13.3333px] f(i) = fitness(x(i,1)); % 得到每个粒子的当前位置 在函数上的适应值
[size=13.3333px] if f(i) < personalbest_faval(i) % 如果这个值是小于个人最优解的位置的时候,就更新,我们经过转换,所以只用考虑求最小值的情况
[size=13.3333px] personalbest_faval(i) = f(i); % 将第i个粒子的个人最优解设置为
[size=13.3333px] personalbest_x(i,:) = x(i,:); % 同时更改最有地址的位置
[size=13.3333px] end
[size=13.3333px] end
[size=13.3333px] [globalbest_faval,i] = min(personalbest_faval);
[size=13.3333px] globalbest_x = personalbest_x(i,:); % 更新全局 全局信息由个体信息描述组成
[size=13.3333px]
[size=13.3333px] for i = 1:particlesize
[size=13.3333px] v(i,:) = w*v(i,:) + c1*rand*(personalbest_x(i,:) - x(i,:)) + c2*rand*personalbest_x(i,:); % 由个人和全局的最佳信息数据进行更新移动速度
[size=13.3333px] % 上面中rand会随机生成一个rand(0,1)然后会随机的降低学习因子的比例
[size=13.3333px] for j = 1:narvs % 这个个循环确定了每个自变量上的速度,有没有超过对应的最大值
[size=13.3333px] if v(i,j) > vmax
[size=13.3333px] v(i,j) = vmax;
[size=13.3333px] elseif v(i,j) < -vmax
[size=13.3333px] v(i,j) = -vmax;
[size=13.3333px] end
[size=13.3333px] end
[size=13.3333px] x(i,:) = x(i,:) + v(i,:); % 通过速度更新位置
[size=13.3333px] end
[size=13.3333px] if abs(globalbest_faval) < E0,break,end
[size=13.3333px] k = k + 1;
[size=13.3333px]end
[size=13.3333px]Value1 = 1/globalbest_faval - 1; % 还记得上面做了一个加1,求倒数的操作么?
[size=13.3333px]Value1 = num2str(Value1);
[size=13.3333px]disp(strcat('the maximum value',' = ', Value1)); % 主要是在这进行了展示
[size=13.3333px]Value2 = globalbest_x; % 得到了全局最优解的位置
[size=13.3333px]Value2 = num2str(Value2);
[size=13.3333px]disp(strcat('the maximum x = ', Value2));
[size=13.3333px]
[size=13.3333px]% 绘图
[size=13.3333px]x = -5:0.01:5;
[size=13.3333px]y = 2.1*(1 - x + 2 * x.^2).*exp(-x.^2/2);
[size=13.3333px]plot(x,y,'m--','linewidth',3); % m表示的是粉红色,-是表示的是连续的曲线线
[size=13.3333px]hold on;
[size=13.3333px]plot(globalbest_x, 1/globalbest_faval-1,'kp','linewidth',4);
[size=13.3333px]legend('目标函数','搜索到的最大值');
[size=13.3333px]xlabel('x'); % 给x轴贴标签
[size=13.3333px]ylabel('y'); % 给y轴贴标签
[size=13.3333px]grid on;
[size=13.3333px]end
[size=13.3333px]---------------------
由于上面给出的例子比较简单(二维的)
所以,我们完全可以用硬计算的方法找到最值(硬计算)
具体代码如下:
x = -5:0.01:5;
y = 2.1*(1 - x + 2 * x.^2).*exp(-x.^2/2);
[v, index_x] = max(y);
disp(v);
% 画图
plot(x,y,'m-','linewidth',3); % m表示的是粉红色,-是表示的是连续的曲线线
hold on;
plot(x(index_x), v,'kp','linewidth',4);
legend('目标函数','搜索到的最大值');
xlabel('x'); % 给x轴贴标签
ylabel('y'); % 给y轴贴标签
grid on;
---------------------
代码3:Untitled3.m
|
|