Matlab粒子群算法（PSO）优化程序——调整权重、改进学习因子.pdf

Matlab粒⼦群算法（PSO）优化程序——调整权重、改进学习因⼦

粒⼦群算法（ParticleSarmOptimization,PSO）在应⽤的过程中主要调整权重，学习因⼦，才能对解决的问题有所针对性。下⾯有6

种调整权重和学习因⼦：

⼀、调整粒⼦群算法的权重

1.线性递减权重

2.⾃适应调整权重

3.随机权重

⼆、调整粒⼦群算法的学习因⼦

1.收缩因⼦

2.同步学习因⼦

3.异步学习因⼦

⽬标函数如下：

functiony=A11_01(x)

y=x(1)^2+x(2)^2-x(1)*x(2)-10*x(1)-4*x(2)+0;

⼀、调整粒⼦群算法的权重

1.线性递减权重

Shi.Y认为较⼤的权重惯性有利于全局有哪些信誉好的足球投注网站，较⼩的权重有利于局部有哪些信誉好的足球投注网站，他提出的线性递减权重刚好满⾜这样的需求。

⼀般⽽⾔，k为当前迭代次数，T为最⼤迭代次数。

%粒⼦群PSO线性递减权重

clear

clc

%%预设参数

n=100;

d=2;%变量个数

c1=2;

c2=2;

w=0.9;

K=100;

ws=0.9;

we=0.4;

%%分布粒⼦

x=-10+20*rand(n,d);

v=-5+10*rand(n,d);

%%计算适应度

fit=zeros(n,1);

forj=1:n

fit(j)=A11_01(x(j,:));

end

%计算个体极值

pbest=x;

ind=find(min(fit)==fit);

gbest=x(ind,:);

%%更新速度与位置

fori=1:K

form=1:n

v(m,:)=w*v(m,:)+c1*rand*(pbest(m,:)-x(m,:))+c2*rand*(gbest-x(m,:));

w=ws-(ws-we)*(i/K);

v(m,find(v(m,:)-10))=-10;

v(m,find(v(m,:)10))=10;

x(m,:)=x(m,:)+0.5*v(m,:);

x(m,find(x(m,:)-10))=-10;

x(m,find(x(m,:)10))=10;

%重新计算适应度

fit(m)=A11_01(x(m,:));

ifx(m,:)A11_01(pbest(m,:))

pbest(m,:)=x(m,:);

end

ifA11_01(pbest(m,:))A11_01(gbest)

gbest=pbest(m,:);

end

end

fitnessbest(i)=A11_01(gbest);

end

plot(fitnessbest);

xlabel(迭代次数);

ylabel(适应度值);

title(迭代优化过程);

图1线性递减权重的迭代优化过程

2.⾃适应调整权重

⾃适应权重：权重随着粒⼦适应度值的改变⽽改变。

%%⾃适应调整权重

clearall;

clc;

%%预设参数

n=100;

d=2;%变量个数

c1=2;

c2=2;

K=20;

wmax=0.9;

wmin=0.4;

%%分布粒⼦

x=-10+20*rand(n,d);

v=-5+10*rand(n,d);

%%计算适应度

fit=zeros(n,1);

forj=1:n

fit(j)=A11_01(x(j,:));

end

%计算个体极值

pbest=x;

ind=find(min(fit)==fit);

gbest=x(ind,:);

%%更新速度与位置

fori=1:K

form=1:n

f=fit(m);

favg=sum(fit)/n;

fmin=min(fit);

iff=favg

w=wmin-(wmax-wmin)*(f-fmin)/(favg-fmin);

else

w=wmax;

end

v(m,:)=