注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1. 代码实现
实现代码前需要先完成上一篇优化算法matlab实现（二）框架编写中的框架的编写。
| 文件名 | 描述 |
|---|---|
| :..\optimization algorithm\frame\Unit.m | 个体 |
| :..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
粒子群算法的每个粒子有两个独特的属性，速度和历史最优位置，在继承后需要单独添加。
如果不了解粒子群算法可以先看看优化算法笔记（三）粒子群算法（1）
粒子群算法个体
文件名：..\optimization algorithm\algorithm_particle_swarm\PSO_Unit.m
classdef PSO_Unit < Unit
properties
% 个体的速度
velocity
% 个体的历史最优
position_best
end
methods
function obj = PSO_Unit()
end
end
end
粒子群算法主体
文件名：..\optimization algorithm\algorithm_particle_swarm\PSO_Base.m
% 粒子群算法
classdef PSO_Base < Algorithm_Impl
%% 算法属性及参数
properties
% 算法名称：
name = 'PSO';
% 最大速度限制
velocity_max_list;
% 自我学习系数
C1 = 2;
% 全局学习系数
C2 = 2;
% 惯性系数
W = 1;
end
%% 外部可调用的方法
methods
% 构造函数
function self = PSO_Base(dim,size,iter_max,range_min_list,range_max_list)
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 初始化速度上限(为取值范围长度的1/10）
self.velocity_max_list = (self.range_max_list - self.range_min_list)*0.1;
end
end
%% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
% 初始化种群中的每个个体
for i = 1:self.size
unit = PSO_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 初始化时，历史最优就是当前位置
unit.position_best = unit.position;
% 随机初始化速度：rand(0,1).*(max-(-max))+(-max)
unit.velocity = unifrnd(-self.velocity_max_list , self.velocity_max_list);
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
for i = 1:self.size
% 更新该个体的速度
self.update_velocity(i)
% 更新该个体的位置
self.update_position(i)
end
end
% 更新个体的速度
function update_velocity(self,id)
% 获取当前个体实例
unit = self.unit_list(id);
% 计算新的速度
% 公式： v_new = W*v_old+C1*rand(0,1).*(p_best-unit_pos)+C2*rand(0,1).*(g_best-unit_pos)
velocity_new = self.W*unit.velocity+self.C1*rand(1,self.dim).*(unit.position_best-unit.position)+self.C2*rand(1,self.dim).*(self.position_best-unit.position);
velocity_new = self.get_out_bound_value(velocity_new,-self.velocity_max_list,self.velocity_max_list);
% 修改该个体速度
unit.velocity = velocity_new;
% 保存修改值
self.unit_list(id) = unit;
end
% 更新个体的位置
function update_position(self,id)
unit = self.unit_list(id);
% 计算出新的位置
position_new = unit.position + unit.velocity;
% 个体移动到该位置
unit.position = position_new;
% 计算该位置的适应度值
value = self.cal_fitfunction(unit.position);
if (value > unit.value)
% 只记录历史最优值
unit.value = value;
% 由于历史最优值时更新历史最优位置
unit.position_best = unit.position;
end
% 保存修改值
self.unit_list(id) = unit;
end
%%
end
end
文件名：..\optimization algorithm\algorithm_particle_swarm\PSO_Impl.m
算法实现，继承于Base,图方便也可不写，直接用PSO_Base，这里为了命名一致。
%PSO实现
classdef PSO_Impl < PSO_Base
% 外部可调用的方法
methods
function self = PSO_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@PSO_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2. 测试
写一个简单的测试函数试一试代码能否正常运行。
文件名：..\optimization algorithm\algorithm_particle_swarm\Test_Function.m
测试函数求(x-10)的平方和的最小值
function value = Test_Function( x )
value=sum((x-10).^2);
end
测试代码
文件名：..\optimization algorithm\algorithm_particle_swarm\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 算法实例
% 算法维度
dim = 2;
% 种群数量
size = 20;
% 最大迭代次数
iter_max = 50;
% 取值范围上界
range_max_list = ones(1,dim)*100;
% 取值范围下界
range_min_list = -ones(1,dim)*100;
% 实例化粒子群类
base = PSO_Impl(dim,size,iter_max,range_min_list,range_max_list);
%告诉算法目标函数求的是最小值，不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction = @Test_Function;
% 运行
base.run();
% 添加负号是因为目标函数是求最小值
disp(['最优值',num2str(-base.value_best)])
disp(['最优解',num2str(base.position_best)])
% 画一个简单的图像
plot(base.value_best_history);
