[数据结构与算法]MATLAB粒子群优化算法实现（PSO）

MATLAB粒子群优化算法实现（PSO）

这里我采用的是结构体，这样处理更清晰
Matlab结构体的使用如下

每个个体pop的属性有

• 速度v
• 位置x
• 个体最优位置pbest （pop个体）
• 个体适应度f

全局最优个体gbest(pop个体）

其他参数的定义

算法流程

代码：

%% ------初始格式化-------------
clear
clc;
format long;
%% ------给定初始化条件---------
c1=2;             %学习因子1
c2=2;             %学习因子2
w=0.7298;              %惯性权重
MaxDT=200;            %最大迭代次数
popsize=20;                  %初始化群体个体数目
poplength = 10;     %个体长度
Vmax=1;
Vmin=-1;
popmax=5;
popmin=-5;

%% ---------初始化种群-----------
% 定义个体结构体 
% -速度v -位置x -个体最优位置pbest -个体适应度f
for i=1:popsize
    pop(i).x = popmin+(popmax-popmin)*rand(1,poplength);  %随机初始化位置
    pop(i).v = rand(1,poplength);
    pop(i).f = ackley(pop(i).x);
    pop(i).pbest = pop(i);
end

res =[];

%% 选出种群中最优的个体
gbest = pop(1);% 初始化为第一个
for i = 2 : popsize
    if gbest.f < pop(i).f
        gbest = pop(i);
    end
end

%% 开始进行迭代
for i = 1 : MaxDT
   % 对于每一个个体
   for j = 1 : popsize
        % 群落的影响和自己惯性,判断对自己速度的影响
        pop(j).v = w * pop(j).v + c1*rand*(pop(j).pbest.x - pop(j).x) + c2*rand*(gbest.x-pop(j).x);
        % 速度越界处理
        pop(j).v(pop(j).v<Vmin) = Vmin;
        pop(j).v(pop(j).v>Vmax) = Vmax;
        % 改变位置
        pop(j).x = pop(j).x + pop(j).v;
        % 位置越界处理
        pop(j).x(pop(j).x>popmax) = popmax;
        pop(j).x(pop(j).x<popmin) = popmin;
        % 更新局部最优解
        pop(j).f = ackley(pop(j).x);
        if pop(j).pbest.f > pop(j).f
            pop(j).pbest = pop(j);
        end    
        % 更新全局最优解
        if pop(j).pbest.f < gbest.f
            gbest = pop(j);
        end
   end
   % 记录迭代过程
   res = [res gbest.f];
end

%% -----计算结果
plot(res)
title(['适应度曲线 ' '终止次数=' num2str(MaxDT)]);
xlabel('进化代数');
ylabel('适应度')

目标函数

function [out]=ackley(in)
    n=length(in(1,:));
    x=in;
    e=exp(1);
    out = (20 + e ...
       -20*exp(-0.2*sqrt((1/n).*sum(x.^2,2))) ...
       -exp((1/n).*sum(cos(2*pi*x),2)));
 return

运行结果：