pso.m

这是粒子群优化算法,用于计算数值优化问题.很好用的!

function pso
clc;
format long;           %给定初始化条件
c1=1.4962;             %学习因子1
c2=1.4962;             %学习因子2
w=0.7298;              %惯性权重
MaxDT=10000;           %最大迭代次数
D=input('搜索空间维数（未知数个数）：');                  %搜索空间维数（未知数个数）
N=input('请输入粒子个数：');                   %初始化群体个体数目
eps=10^(-6);           %设置精度(在已知最小值时候用)
                       %初始化种群的个体(可以在这里限定位置和速度的范围)
x=randn(N,D);          %随机初始化位置
v=randn(N,D);          %随机初始化速度
                       %------先计算各个粒子的适应度，并初始化各个粒子的最优位置Pi
for i=1:N
    p(i)=fitness(x(i,:),D);
    y(i,:)=x(i,:);                %y(i)存放个体最优位置,p(i)是个体最优值
end
%------------Pg为全局最优------------------------

pg=x(1,:);    
for i=2:N
    if fitness(x(i,:),D)<fitness(pg,D)
        pg=x(i,:);
    end
end

%------------如果维数是一维的，就初始化图象-----------------------

if D==1;  
 fplot('x^2',[-3,3]);
 hold on
 plot(x,p,'b*');
end

%------进入主要循环，按照公式依次迭代，直到满足精度要求------------------------------
for t=1:MaxDT
    for i=1:N
        v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
        x(i,:)=x(i,:)+v(i,:);
        if fitness(x(i,:),D)<p(i)                                        %调整个体最优位置
            p(i)=fitness(x(i,:),D);
            y(i,:)=x(i,:);
        end
        if p(i)<fitness(pg,D)
            pg=y(i,:);
        end
    end
    Pbest(t)=fitness(pg,D);
end
%------最后给出计算结果

if D==1;  
      hold on
     plot(x,p,'r*');
end

disp('*************************************************************')
disp('函数的全局最优位置为：')
        gbest=pg'
disp('最后得到的优化极值为：')
        gfitness=fitness(pg,D)

if D==1;  
      hold on
      plot(gbest,gfitness,'ro');
end

disp('*************************************************************')
%------算法结束---------------------------------------------------

%---------------适应度函数（fitness.m）------------------------------
function result=fitness(x,D)
sum=0;
for i=1:D
    sum=sum+x(i)^2;
end
result=sum;