优化算法——粒子群算法(PSO)

一、粒子群算法的概述

    粒子群算法(PSO)属于群智能算法的一种，是通过模拟鸟群捕食行为设计的。假设区域里就只有一块食物（即通常优化问题中所讲的最优解），鸟群的任务是找到这个食物源。鸟群在整个搜寻的过程中，通过相互传递各自的信息，让其他的鸟知道自己的位置，通过这样的协作，来判断自己找到的是不是最优解，同时也将最优解的信息传递给整个鸟群，最终，整个鸟群都能聚集在食物源周围，即我们所说的找到了最优解，即问题收敛。

二、粒子群算法的流程

    粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度

和位置

，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值

，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解

，粒子群中的所有粒子根据自己找到的当前个体极值

和整个粒子群共享的当前全局最优解

来调整自己的速度和位置。粒子群算法的思想相对比较简单，主要分为：1、初始化粒子群；2、评价粒子，即计算适应值；3、寻找个体极值

；4、寻找全局最优解

；5、修改粒子的速度和位置。下面是程序的流程图：



（PSO流程）
下面我们具体解释下流程图里面的每一个步骤：

1、初始化

   首先，我们需要设置最大的速度区间，防止超出最大的区间。位置信息即为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置。设置群体规模

。

2、个体极值与全局最优解

   个体极值为每个粒子找到的历史上最优的位置信息，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。

3、更新速度和位置的公式

   更新公式为：




其中，

称为惯性因子，

和

称为加速常数，一般取

。

表示区间

上的随机数。

表示第

个变量的个体极值的第

维。

表示全局最优解的第

维。

4、终止条件

有两种终止条件可以选择，一是最大代数：

；二是相邻两代之间的偏差在一个指定的范围内即停止。我们在实验中选择第一种。

三、实验

    我们选择的测试函数是：Griewank。其基本形式如下：


图像为：


（Griewank函数图像）在实验中我们选择的维数是20；MATLAB程序代码如下：主程序：[plain] view plain copy c1=2;%学习因子  
c2=2;%学习因子  
Dimension=20;  
Size=30;  
Tmax=500;  
Velocity_max=1200;%粒子最大速度  
  
F_n=2;%测试函数名  
  
Fun_Ub=600;%函数上下界  
Fun_Lb=-600;  
Position=zeros(Dimension,Size);%粒子位置  
Velocity=zeros(Dimension,Size);%粒子速度  
Vmax(1:Dimension)=Velocity_max;%粒子速度上下界  
Vmin(1:Dimension)=-Velocity_max;  
Xmax(1:Dimension)=Fun_Ub;%粒子位置上下界，即函数自变量的上下界  
Xmin(1:Dimension)=Fun_Lb;  
[Position,Velocity]=Initial_position_velocity(Dimension,Size,Xmax,Xmin,Vmax,Vmin);  
  
Pbest_position=Position;%粒子的历史最优位置，初始值为粒子的起始位置，存储每个粒子的历史最优位置  
Gbest_position=zeros(Dimension,1);%全局最优的那个粒子所在位置，初始值认为是第1个粒子  
  
for j=1:Size  
    Pos=Position(:,j);%取第j列，即第j个粒子的位置  
    fz(j)=Fitness_Function(Pos,F_n,Dimension);%计算第j个粒子的适应值  
end  
[Gbest_Fitness,I]=min(fz);%求出所有适应值中最小的那个适应值，并获得该粒子的位置  
Gbest_position=Position(:,I);%取最小适应值的那个粒子的位置，即I列  
  
for itrtn=1:Tmax  
time(itrtn)=itrtn;  
  
Weight=1;  
r1=rand(1);  
r2=rand(1);  
for i=1:Size  
   Velocity(:,i)=Weight*Velocity(:,i)+c1*r1*(Pbest_position(:,i)-Position(:,i))+c2*r2*(Gbest_position-Position(:,i));  
end  
%限制速度边界  
for i=1:Size  
    for row=1:Dimension  
        if Velocity(row,i)>Vmax(row)  
            Veloctity(row,i)=Vmax(row);  
        elseif Velocity(row,i)<Vmin(row)  
            Veloctity(row,i)=Vmin(row);  
        else  
        end  
    end  
end  
  
Position=Position+Velocity;  
  
%限制位置边界  
for i=1:Size  
    for row=1:Dimension  
        if Position(row,i)>Xmax(row)  
            Position(row,i)=Xmax(row);  
        elseif Position(row,i)<Xmin(row)  
            Position(row,i)=Xmin(row);  
        else  
        end  
    end  
end  
  
  for j=1:Size  
     P_position=Position(:,j)';%取一个粒子的位置  
     fitness_p(j)=Fitness_Function(P_position,F_n,Dimension);  
     if fitness_p(j)< fz(j) %粒子的适应值比运动之前的适应值要好，更新原来的适应值  
         Pbest_position(:,j)=Position(:,j);  
         fz(j)=fitness_p(j);  
     end  
     if fitness_p(j)<Gbest_Fitness  
         Gbest_Fitness=fitness_p(j);  
     end  
  end  
  [Gbest_Fitness_new,I]=min(fz);%更新后的所有粒子的适应值，取最小的那个，并求出其编号  
   Best_fitness(itrtn)=Gbest_Fitness_new; %记录每一代的最好适应值  
   Gbest_position=Pbest_position(:,I);%最好适应值对应的个体所在位置  
end  
plot(time,Best_fitness);  
xlabel('迭代的次数');ylabel('适应度值P_g');  

初始化：[plain] view plain copy function [Position,Velocity] = Initial_position_velocity(Dimension,Size,Xmax,Xmin,Vmax,Vmin)  
  for i=1:Dimension  
      Position(i,:)=Xmin(i)+(Xmax(i)-Xmin(i))*rand(1,Size); % 产生合理范围内的随机位置，rand(1,Size)用于产生一行Size个随机数  
      Velocity(i,:)=Vmin(i)+(Vmax(i)-Vmin(i))*rand(1,Size);  
  end  
end  

适应值计算：[plain] view plain copy function Fitness=Fitness_Function(Pos,F_n,Dimension)  
 switch F_n  
    case 1  
        Func_Sphere=Pos(:)'*Pos(:);  
        Fitness=Func_Sphere;  
    case 2  
        res1=Pos(:)'*Pos(:)/4000;  
        res2=1;  
        for row=1:Dimension  
            res2=res2*cos(Pos(row)/sqrt(row));  
        end  
        Func_Griewank=res1-res2+1;  
        Fitness=Func_Griewank;  
end  

最终的收敛曲线：


（收敛曲线）