15基于粒子群算法的连续函数优化通用MATLAB源代码

欢迎访问GreenSim团队主页/greensim 邮箱：基于蚁群算法的连续函数优化通用MATLAB源代码此源码是对粒子群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解。function BESTX,BESTY,ALLX,ALLY= PSOUCP(K,N,LB,UB,WR,CR1,CR2,Alpha,Beta,Gamma)% 无约束连续函数的粒子群优化算法% GreenSim团队专业级算法设计&代写程序% 欢迎访问GreenSim团队主页/greensim% 此函数实现粒子群算法，用于求解无约束连续函数最小化问题% 对于最大化问题，请先将其加负号转化为最小化问题% 输入参数列表% K 最大迭代次数% N 初始粒子群规模（要求为偶数）% LB 决策变量的下界，M1的向量% UB 决策变量的上界，M1的向量% WR 粒子群算法控制参数1，惯性系数% CR1 粒子群算法控制参数2，当前最优学习参数% CR2 粒子群算法控制参数3，历史最优学习参数% 输出参数列表% BESTX K1细胞结构，每一个元素是M1向量，记录每一代的最优个体% BESTY K1矩阵，记录每一代的最优个体的评价函数值% ALLX K1细胞结构，每一个元素是MN矩阵，记录全部个体% ALLY KN矩阵，记录全部个体的评价函数值% 初始化M=length(LB);%决策变量的个数%种群初始化，每一列是一个样本farm=zeros(M,N);for i=1:M x=unifrnd(LB(i),UB(i),1,N); farm(i,:)=x;endSumWCR=WR+CR1+CR2;WR=WR/SumWCR;CR1=CR1/SumWCR;CR2=CR2/SumWCR;%输出变量初始化ALLX=cell(K,1);ALLY=zeros(K,N);BESTX=cell(K,1);BESTY=zeros(K,1);k=1;%迭代计数器初始化% 以下是迭代过程while krand AA=farm(:,i); BB=QuantumMutation(AA,LB,UB,Beta); newfarm3(:,i)=BB; end end newfarm4=farm; if k=3 Pgd=BESTXk-1; Pid=BESTXk-2; for i=1:N newfarm4(:,i)=WR*farm(:,i)+CR1*Pid+CR2*Pgd; end end FARM=farm,newfarm,newfarm2,newfarm3,newfarm4; SER=randperm(6*N); FITNESS=zeros(1,6*N); fitness=zeros(1,N); for i=1:(6*N) BETA=FARM(:,i); SE=FIT(BETA); FITNESS(i)=SE; end for i=1:N f1=FITNESS(SER(6*i-5); f2=FITNESS(SER(6*i-4); f3=FITNESS(SER(6*i-3); f4=FITNESS(SER(6*i-2); f5=FITNESS(SER(6*i-1); f6=FITNESS(SER(6*i); if f1=f2&f1=f3&f1=f4&f1=f5&f1=f6 farm(:,i)=FARM(:,SER(6*i-5); fitness(:,i)=FITNESS(:,SER(6*i-5); elseif f2=f1&f2=f3&f2=f4&f2=f5&f2=f6 farm(:,i)=FARM(:,SER(6*i-4); fitness(:,i)=FITNESS(:,SER(6*i-4); elseif f3=f1&f3=f2&f3=f4&f3=f5&f3=f6 farm(:,i)=FARM(:,SER(6*i-3); fitness(:,i)=FITNESS(:,SER(6*i-3); elseif f4=f1&f4=f2&f4=f3&f4=f5&f4=f6 farm(:,i)=FARM(:,SER(6*i-2); fitness(:,i)=FITNESS(:,SER(6*i-2); elseif f5=f1&f5=f2&f5=f3&f5=f4&f5=f6 farm(:,i)=FARM(:,SER(6*i-1); fitness(:,i)=FITNESS(:,SER(6*i-1); else farm(:,i)=FARM(:,SER(6*i); fitness(:,i)=FITNESS(:,SER(6*i); end end X=farm; Y=fitness; ALLXk=X; ALLY(k,:)=Y