考虑下面的优化函数

minf(x1,x2)=0.5+sin⁡2x12+x22−0.5(1+0.001(x12+x22))2minf(x_1,x_2)=0.5+\frac{\sin^2\sqrt{x_1^2+x_2^2}-0.5}{(1+0.001(x_1^2+x_2^2))^2}minf(x1,x2)=0.5+(1+0.001(x12+x22))2sin2x12+x22−0.5
−100≤x1,x2≤100-100≤x_1,x_2≤100−100≤x1,x2≤100
该优化问题的目标函数是Schaffer F6函数，该函数的全局最小值为f(x₁，x₂)=0,而最优解为(0,0).
用PSO算法求解该问题，其设计如下：
（1）群体规模M= 20；
（2）适应函数取为目标函数；
（3）邻域结构采用全局邻域结构；
（4）惯性权重 W=0.9;
（5）c1 = c2 = 2;
（6）最大速度Vmax=3;
（7）粒子群初始化：初始化粒子群中每个粒子的位置随机地产生，每个分量均匀地分布在区间[-100,100]内，速度的每个分量均匀地分布在区间 [-3,3]内；
（8）算法终止条件：算法达到最大迭代次数4000后终止；
运行算法30次，每次都能发现问题的最优解或次优解。

PSO算法简要介绍

PSO算法流程图如下：

假定粒子群P = {p₁,p₂,…,p_M},即粒子群由M个粒子组成，其中，M称为群体规模。一个粒子通过其所在的位置和速度来描述。粒子p_i在d维解空间的位置表示为x_i=(x_i`,x_i2,…,x_id),而速度表示为v_i=(v_i1,v_i2,…,v_id)。粒子P_i的个体极值表示为pbest_i，即pbest_i是粒子p_i当前所发现的最好解，p_i的局部极值表示为g_i，即g_i为粒子p_i的近邻当前所发现的最好解。另外，PSO算法性能的好坏取决于邻域拓扑结构的选择、参数的设置等。
C++所需代码类如下所示：

类	头文件	源文件
X	X.h	/
Particle	Particle.h	Particle.cpp
Qunti	Qunti.h	Qunti.cpp


//X.h
#ifndef  X_H
#define X_H
#include "Particle.h"
class X
{
public:double x[N];
};
#endif // ! X_H

// Particle.h
#ifndef PARTICLE_H
#define  PARTICLE_H
#define N 2//维数
class Particle
{
public :double x[N], v[N];Particle();//初始化方法void shuchu();//打印函数
};
#endif // !PARTICLE_H

// Particle.cpp
#include "Particle.h"
#include <iostream>
using namespace std;
Particle::Particle()
{for (int i = 0; i < N; i++) {x[i] = 0;v[i] = 0;}
}void Particle::shuchu()
{std::cout << "位置x=（";for (int i = 0; i < N; i++){if(i == N-1)std::cout << x[i];else std::cout << x[i]<<",";}std::cout << ") 速度v=（";for (int i = 0; i < N; i++){if (i == N - 1)std::cout << v[i];else std::cout << v[i] << ",";}std::cout << ")"<<endl;
}

// Qunti.h
#ifndef QUNTI_H
#define QUNTI_H
#include "Particle.h"
const int M = 20;
class Qunti
{
public:Particle p[M];void shuchu();//初始化方法
};
#endif

// Qunti.cpp
#include "Qunti.h"
#include <iostream>
using namespace std;
void Qunti::shuchu()
{for (int i = 0; i < M; i++){std::cout << "粒子"<<i + 1;p[i].shuchu();}
}

第一步，群体粒子的初始化

每个粒子位置的每个分量随机均匀地在【-100,100】内产生，速度的每个分量随机均匀地在区间【-3,3】内产生。

//第一步，群体粒子的初始化；std::default_random_engine random(time(NULL));static std::uniform_real_distribution<double> distribution1(Xmin, std::nextafter(Xmax, DBL_MAX));// C++11提供的实数均匀分布模板类static std::uniform_real_distribution<double> distribution2(Vmin, std::nextafter(Vmax, DBL_MAX));// C++11提供的实数均匀分布模板类for (int i = 0; i < M; i++){for (int j = 0; j < N; j++){qt.p[i].x[j] = distribution1(random); //群体粒子位置向量初始化qt.p[i].v[j] = distribution2(random);//群体粒子速度向量初始化pbest[i].x[j] = qt.p[i].x[j];funvalue[i] = Mubiao_fun(qt.p[i].x);}}int minlocation = 0;double minfunvalue = funvalue[0];for (int i = 0; i < M; i++){if (funvalue[i] < minfunvalue){minfunvalue = funvalue[i];minlocation = i;}}for(int j=0;j<N;j++)gbest[j] = qt.p[minlocation].x[j];qt.shuchu();

第二步，更新每个粒子的速度和位置

在PSO算法中，粒子根据以下公式来更新速度和位置：
{vi←w⋅vi+c1⋅rand()⋅(pbesti−xi)+c2⋅rand()⋅(gi−xi),xj=xi+vi,\; \begin{cases} v_i\leftarrow{w\cdot v_i+c_1\cdot rand() \cdot (pbest_i-x_i)+c_2\cdot rand() \cdot(g_i-x_i)}, & \text{} \\ x_j=x_i+v_i,& \text{} \\ \end{cases} {vi←w⋅vi+c1⋅rand()⋅(pbesti−xi)+c2⋅rand()⋅(gi−xi),xj=xi+vi,
其中，w是一个正常数，成为惯性权重，c₁,c₂是两个正常数，称为学习因子，rand()是在[0,1]中服从均匀分布的随机数。
从上面的速度和位置更新公式中可以看出，一个粒子的速度决定了器位置的变化范围。为了防止粒子过快地从搜索空间中的一个区域飞向另一个区域，定义一个参数V_max，使得粒子每一维的速度都被限制在区间[-V_max,Vmax]内，也就是说，若粒子p_i的速度为v_i=(v_i1,v_i2,…,v_id)，则使用以下的边界条件：
{vij>Vmax⟹vij=Vmax,j=1,...,d,vij<−Vmax⟹vij=−Vmax,j=1,...,d,\; \begin{cases} v_{ij} >V_{max} \implies v_{ij} = V_{max}, j=1,...,d, & \text{} \\ v_{ij} <-V_{max} \implies v_{ij} = -V_{max}, j=1,...,d,& \text{} \\ \end{cases} {vij>Vmax⟹vij=Vmax,j=1,...,d,vij<−Vmax⟹vij=−Vmax,j=1,...,d,

粒子p_i更新后的速度是先前速度v_i,pbest_i-x_i和g_i-x_i的加权矢量和，如下图所示。粒子在解空间内不断跟踪个体极值和局部极值进行搜索，直到满足算法的终止条件为止。

//更新每个粒子的速度和位置for (int j = 0; j < N; j++){static std::uniform_real_distribution<double> distribution3(0.0, std::nextafter(1.0, DBL_MAX));// C++11提供的实数均匀分布模板类qt.p[i].v[j] = w*qt.p[i].v[j] + c1*distribution3(random)*(pbest[i].x[j] - qt.p[i].x[j]) + c2*distribution3(random)*(gbest[j] - qt.p[i].x[j]);}for (int j = 0; j < N; j++){if (qt.p[i].v[j]> Vmax) qt.p[i].v[j] = Vmax;else if (qt.p[i].v[j] < Vmin) qt.p[i].v[j] = Vmin;}for (int j = 0; j < N; j++)//粒子速度越界调整{qt.p[i].x[j] += qt.p[i].v[j];}for (int j = 0; j < N; j++)//粒子位置越界调整{if (qt.p[i].x[j]> Xmax) qt.p[i].x[j] = Xmax;else if (qt.p[i].x[j] < Xmin) qt.p[i].x[j] = Xmin;}

第三步，根据粒子的适应值来更新个体的历史极值并计算全局极值

在PSO算法中，一个粒子的邻域表示群体中与该粒子相邻的粒子的集合，粒子可以与其邻域中的粒子交换信息，邻域的规模决定了信息交换的范围。一个粒子的邻域可以是整个群体，也可以由其周围的少数几个粒子构成，邻域拓扑决定了群体中粒子的相邻关系。三种主要的邻域拓扑：星状拓扑（也称全局邻域拓扑）、坏状拓扑和轮状拓扑。

当邻域结构取为全局邻域结构时，粒子p_i的局部极值g_i成为全局极值，通常记为gbest。通过对以上三种邻域结构进行实验研究，Kennedy得出的结论是：使用全局邻域结构的PSO算法收敛速度较快，但容易陷入局部最优；使用环状邻域结构的PSO算法的收敛速度较慢，但能以较大的概率发现最优解；而使用轮状邻域结构的PSO算法效果较差。

//根据粒子的适应值更新个体极值(历史最优)并计算极值(全局最优)if (Mubiao_fun(qt.p[i].x) < Mubiao_fun(pbest[i].x)){for(int j=0;j<N;j++)pbest[i].x[j] =qt.p[i].x[j];}for (int j = 0; j<N; j++)gbest[j] = pbest[i].x[j];for (int j = 0; j < M; j++){if (Mubiao_fun(pbest[j].x) < Mubiao_fun(gbest)){for (int k = 0; k<N; k++)gbest[k] = pbest[j].x[k];}}

最后

C++运行PSO算法求解函数优化的主函数如下：

// main.cpp
#include <iostream>
#include <math.h>
#include <random>
#include<time.h>
using namespace std;
#include "Particle.h"
#include "Qunti.h"
#include "X.h"
double Mubiao_fun(double x[N])
{double f = 0.5 + (pow(sin(sqrt(x[0] * x[0] + x[N-1] * x[N - 1])), 2) - 0.5) / pow((1 + 0.001*pow((x[0] * x[0] + x[N - 1] * x[N - 1]),2)), 2);return f;
}
int main()
{std::cout << "Hello world!" << endl;double w = 0.9,Xmax = 100,Xmin = -100,Vmax = 3.0,Vmin = -3.0;//位置分量和速度的最大最小值int t=0,c1 = 2, c2 = 2,iteratortime = 4000;//t=0表示第一次迭代Qunti qt;double funvalue[M], gbest[N];//M个粒子对应的函数值数组X pbest[M];//pbesti表示粒子pi的个体极值；gi表示pi的局部极值for (int i = 0; i < M; i++){funvalue[i] = 0;//数组初始化}//第一步，群体粒子的初始化；std::default_random_engine random(time(NULL));static std::uniform_real_distribution<double> distribution1(Xmin, std::nextafter(Xmax, DBL_MAX));// C++11提供的实数均匀分布模板类static std::uniform_real_distribution<double> distribution2(Vmin, std::nextafter(Vmax, DBL_MAX));// C++11提供的实数均匀分布模板类for (int i = 0; i < M; i++){for (int j = 0; j < N; j++){qt.p[i].x[j] = distribution1(random); //群体粒子位置向量初始化qt.p[i].v[j] = distribution2(random);//群体粒子速度向量初始化pbest[i].x[j] = qt.p[i].x[j];funvalue[i] = Mubiao_fun(qt.p[i].x);}}int minlocation = 0;double minfunvalue = funvalue[0];for (int i = 0; i < M; i++){if (funvalue[i] < minfunvalue){minfunvalue = funvalue[i];minlocation = i;}}for(int j=0;j<N;j++)gbest[j] = qt.p[minlocation].x[j];qt.shuchu();for (int ite = 0; ite < iteratortime; ite++){for (int i = 0; i < M; i++){//更新每个粒子的速度和位置for (int j = 0; j < N; j++){static std::uniform_real_distribution<double> distribution3(0.0, std::nextafter(1.0, DBL_MAX));// C++11提供的实数均匀分布模板类qt.p[i].v[j] = w*qt.p[i].v[j] + c1*distribution3(random)*(pbest[i].x[j] - qt.p[i].x[j]) + c2*distribution3(random)*(gbest[j] - qt.p[i].x[j]);}for (int j = 0; j < N; j++){if (qt.p[i].v[j]> Vmax) qt.p[i].v[j] = Vmax;else if (qt.p[i].v[j] < Vmin) qt.p[i].v[j] = Vmin;}for (int j = 0; j < N; j++)//粒子速度越界调整{qt.p[i].x[j] += qt.p[i].v[j];}for (int j = 0; j < N; j++)//粒子位置越界调整{if (qt.p[i].x[j]> Xmax) qt.p[i].x[j] = Xmax;else if (qt.p[i].x[j] < Xmin) qt.p[i].x[j] = Xmin;}//根据粒子的适应值更新个体极值(历史最优)并计算极值(全局最优)if (Mubiao_fun(qt.p[i].x) < Mubiao_fun(pbest[i].x)){for(int j=0;j<N;j++)pbest[i].x[j] =qt.p[i].x[j];}for (int j = 0; j<N; j++)gbest[j] = pbest[i].x[j];for (int j = 0; j < M; j++){if (Mubiao_fun(pbest[j].x) < Mubiao_fun(gbest)){for (int k = 0; k<N; k++)gbest[k] = pbest[j].x[k];}}}if (ite == iteratortime - 1){cout << "迭代" << iteratortime << "次后的群体粒子如下：" << endl;qt.shuchu();}}std::cout << "最优解位置为：x=(";for (int j = 0; j < N; j++){if(j == N-1)std::cout << gbest[j]<<")"<<endl;else std::cout << gbest[j] << ",";}system("pause");return 0;
}

运行结果如下图所示：

PSO算法优化应用实例（2020.09.24）相关推荐

多益网络校招前端面经（2020.09.24）
多益网络校招前端面经(2020.09.24) 面试平台 QQ视频通话时长大约半小时过程自我介绍项目问题:项目中遇到的问题以及解决方式:在团队开发过程中个成员合作方式,遇到问题的解决方式 cs ...
MAT之PSO：利用PSO算法优化二元函数，寻找最优个体适应度
MAT之PSO:利用PSO算法优化二元函数,寻找最优个体适应度目录实现结果设计代码实现结果设计代码 figure [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z ...
python pso_利用python实现PSO算法优化二元函数
python实现PSO算法优化二元函数,具体代码如下所示: import numpy as np import random import matplotlib.pyplot as plt from ...
python二元函数如何编写_利用python实现PSO算法优化二元函数
python实现PSO算法优化二元函数,具体代码如下所示: import numpy as np import random import matplotlib.pyplot as plt from ...
基于粒子群优化BP神经网络的预测采用PSO算法优化bp网络实现预测
基于粒子群优化BP神经网络的预测采用PSO算法优化bp网络实现预测,源码注释详细,matlab实现,直接运行即可. ID:72100632211160748韩雅涵122
PSO算法优化BP神经网络
PSO算法和BP神经网络都是现在非常热门的两个算法,在各自的领域都担当着至关重要的作用,下面通过MATLAB中的一个实例来介绍一下如何将二者进行完美的结合,以发挥其最大优势: 1.在MATLAB的主界 ...
引入变异因素的PSO算法优化（一）
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录引入变异的PSO算法一.PSO是什么? 二.PSO的缺点? 总结引入变异的PSO算法一.PSO是什么? 粒子群算法Pa ...
粒子群算法优化PID，PSO，传递函数
阅读前必看: 1.本代码基于MATLAB2018a版本,如果版本不同可能会报错. 2.如果运行时间过长,请观察迭代次数是否有变化. 3.此案例为原创案例,转载请注明出处. 4.如果此案例碰巧与您的研究 ...
Matlab实现PSO算法（附上6个完整仿真源码）
PSO(Particle Swarm Optimization)是一种优化算法,它模拟了鸟群或鱼群等动物的集体行为,通过群体智能的方式来解决优化问题.PSO算法最初由Kennedy和Eberhart在 ...

PSO算法优化应用实例（2020.09.24）

PSO算法解决函数优化问题