混合粒子群算法：基于杂交的算法.docVIP

混合粒子群算法：基于杂交的算法 算法原理 借鉴遗传算法中杂交的概念，在每次迭代中，根据杂交率选取指定数量的粒子放入杂交池内，池内的粒子随机两两杂交，产生同样数目的子代粒子（），并用子代粒子代替亲代粒子（）。子代位置由父代位置进行交叉得到： 或 其中，P是0到1之间的随机数。 子代的速度由下式计算： 或 算法步骤 基于自然选择的粒子群算法的基本步骤如下： 随机初始化种群中各微粒的位置和速度； 评价每个微粒的适应度，将当前各微子的位置和适应值存储在各微子的中，将所有的中适应最优个体的位置和适应值存储在中； 更新每个微粒的速度和位置； 对每个微粒，将其适应值与其经历过的最好位置作比较，如果较好，则将其作为当前的最好位置； 比较当前所有和的值，更新； 根据杂交概率选取指定数量的粒子放入杂交池中，池中的粒子随机两两杂交产生同样数目的子代粒子，子代的位置和速度计算公式如下： 。保持和不变； 若满足停止条件（通常为预设的运算精度或迭代次数），搜索停止，输出结果，否则返回（3）继续搜索。 算法MATLAB实现 在MATLAB中编程实现的基于杂交的粒子群算法优化函数为：。 功能：用基于杂交的粒子群算法求解无约束优化问题。 调用格式： 其中，：待优化的目标函数； ：粒子数目； ：学习因子1； ：学习因子2； ：惯性权重； ：杂交概率； ：杂交池的大小比例； ：最大迭代次数； ：自变量的个数； ：目标函数取最小值时的自变量值； ：目标函数的最小值。 基本粒子群算法的MATLAB代码如下： function [xm,fv]=BreedPSO(fitness,N,c1,c2,w,Pc,Sp,M,D) % fitness：待优化的目标函数; % N：粒子数目; % c1：学习因子1; % c2：学习因子2; % w：惯性权重; % Pc:杂交概率; % Sp:杂交池的大小比例; % M：最大迭代次数; % D：自变量的个数; % xm：目标函数取最小值时的自变量值; % fv：目标函数的最小值。 format long; for i=1:N for j=1:D x(i,j)=randn; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end for i=1:N p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end pg=x(N,:); %pg为全局最优 for i=1:(N-1) if fitness(x(i,:))fitness(pg) pg=x(i,:); end end for t=1:M for i=1:N %速度、位移更新 v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:)); x(i,:)=x(i,:)+v(i,:); if fitness(x(i,:))p(i) p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end if p(i)fitness(pg) pg=y(i,:); end r1=rand(); if r1Pc %杂交概率 numPool=round(Sp*N); %杂交池大小 PoolX=x(1:numPool,:); %杂交池中粒子的位置 PoolVX=v(1:numPool,:); %杂交池中粒子的速度 for i=1:numPool seed1=floor(rand()*(numPool-1))+1; seed2=floor(rand()*(numPool-1))+1; pb=rand(); %子代位置计算 childx1(i,:)=pb*PoolX(seed1,:)+(1-pb)*PoolX(seed2,:); %子代速度计算 childv1(i,:)=(PoolVX(seed1,:)+PoolVX(seed2,