运行成功的超牛粒子群学习.doc

function PSOfirst()% 清空环境clear;clc;% 参数设置w=0.9;%权值 将影响PSO 的全局与局部搜优能力， 值较大，全局搜优能力强，局部搜优能力弱;反之，则局部搜优能力增强，而全局搜优能力减弱。c1=0.1;%加速度，影响收敛速度c2=0.1;dim=6;%6维，表示企业数量swarmsize=100;%粒子群规模，表示有100个解的空间maxiter=200;%最大循环次数，影响时间minfit=0.001;%最小适应值vmax=0.01;vmin=-0.01;ub=0.2,0.2,0.2,0.2,0.2,0.2;%解向量的最大限制lb=0.01,0.01,0.01,0.01,0.01,0.01;%解向量的最小限制% 种群初始化range=ones(swarmsize,1)*(ub-lb);swarm=rand(swarmsize,dim).*range+ones(swarmsize,1)*lb;%粒子群位置矩阵,每行表示一组解Y1=33.08; 21.85; 6.19; 11.77; 9.96; 17.15; Y=Y1./100;%将百分数化为小数ym,yn=size(Y);for i=1:swarmsize % YX的约束 s=swarm(i,:); ss=s; while sum(Y.*ss)0.1*sum(Y) ss=rand(dim,1).*(ub-lb)+ones(dim,1).*(lb); end swarm(i,:)=ss;endvstep=rand(swarmsize,dim)*(vmax-vmin)+vmin;%粒子群速度矩阵fswarm=zeros(swarmsize,1);%预设空矩阵，存放适应值% 计算初始种群适应度for i=1:swarmsize X=swarm(i,:); SUMG,G=jn(X); fswarm(i,:)=SUMG; %fswarm(i,:)=feval(jn,swarm(i,:);%以粒子群位置的第i行为输入，求函数值，对应输出给适应值endfswarm% 个体极值和群体极值bestf,bestindex=min(fswarm);%求得适应值中的最小适应值，和，其所在的序列gbest=swarm;%暂时的个体最优解为自己fgbest=fswarm;%暂时的个体最优适应值zbest=swarm(bestindex,:);%所在序列的对应的解矩阵序列，全局最佳解fzbest=bestf;%全局最优适应值% 迭代寻优iter=0;yfitness=zeros(1,maxiter);%1行100列矩阵，存放100个最优值的空间矩阵x1=zeros(1,maxiter);%存放x的空间x2=zeros(1,maxiter);x3=zeros(1,maxiter);x4=zeros(1,maxiter);x5=zeros(1,maxiter);x6=zeros(1,maxiter);while(iterminfit) for j=1:swarmsize % 速度更新 vstep(j,:)=w*vstep(j,:)+c1*rand*(gbest(j,:)-swarm(j,:)+c2*rand*(zbest-swarm(j,:); if vstep(j,:)vmax vstep(j,:)=vmax;%速度限制 end if vstep(j,:)ub(k) swarm(j,k)=ub(k);%位置限制 end if swarm(j,k)lb(k) swarm(j,k)=lb(k); end end % 适应值 X=swarm(j,:); SUMG,G=jn(X); fswarm(j,:)=SUMG; % 可在此处增加约束条件，若满足约束条件，则进行适应值计算 % % 个体最优更新 if fswarm(j)fgbest(j) %如果当前的函数值比个体最优值小 gbest(j,:)=swarm(j,:);%个体最优解更新 fgbest(j)=fswarm(j);%个体最优值更新 end % 群体最优更新 if fswarm(