返回列表 发帖

[讨论] PSO测试函数——哪位大神帮帮忙,最优值该怎么输出

[讨论] PSO测试函数——哪位大神帮帮忙,最优值该怎么输出

分别有7个测试函数,case1-7,第10行的F_n=1是测试一个函数,=2是测试第二个函数,以此类推,输出的内容有粒子搜索动态图和收敛曲线图,但没有输出结果,看不懂最优值该怎么输出,所以主要想解决输出最优值的问题。谢谢



function PSOstandard_benchmarks_Test
clear all;
close all;
clc
c1=1.49445;c2=1.49445;%
global dimension  Size
dimension=40;Size=40;%种群维数 dimension、规模 Size
Tmax=1000;%%最大迭代次数 Tmax
%%选择不同测试函数的速度和位置限制范围%%
F_n=1;
switch F_n
  case 1   %%  f1_Sphere                    %%
           Vmax(1:dimension)= 30;  Vmin(1:dimension)=-30;
           Xmax(1:dimension)= 30;  Xmin(1:dimension)=-30;
  case 2   %%  f2_Quadric    [-100,100]     %%
           Vmax(1:dimension)= 100;  Vmin(1:dimension)=-100;
           Xmax(1:dimension)= 100;  Xmin(1:dimension)=-100;
  case 3   %%  f3_Ackley     [-30,30]       %%
           Vmax(1:dimension)= 30;  Vmin(1:dimension)=-30;
           Xmax(1:dimension)= 30;  Xmin(1:dimension)=-30;
  case 4   %%  f4_griewank   [-600,600]     %%
           Vmax(1:dimension)= 600;  Vmin(1:dimension)=-600;
           Xmax(1:dimension)= 600;  Xmin(1:dimension)=-600;
  case 5   %%  f5_Rastrigin  [-5.12,5.12]   %%
           Vmax(1:dimension)= 5.12;  Vmin(1:dimension)=-5.12;
           Xmax(1:dimension)= 5.12;  Xmin(1:dimension)=-5.12;
  case 6   %%  f6_Rosenbrock [-2.408,2.408] %%
           Vmax(1:dimension)= 2.408;  Vmin(1:dimension)=-2.408;
           Xmax(1:dimension)= 2.408;  Xmin(1:dimension)=-2.408;
  case 7   %%  f7_Schaffer's f6 %%
           Vmax(1:dimension)= 2.408;  Vmin(1:dimension)=-2.408;
           Xmax(1:dimension)= 2.408;  Xmin(1:dimension)=-2.408;  
end
%%三维显示粒子群运动变化%%
global Swarmscope;
       Swarmscope = plot(0,0, '.');
       axis([Xmin(1) Xmax(1) Xmin(2) Xmax(2) Xmin(3) Xmax(3)]);   %初始轴的范围的设置
    %  axis square;
       grid on;
       set(Swarmscope,'EraseMode','xor','MarkerSize',12); %设置用来显示粒子.
%%initial Position Velocity%%
Position=zeros(dimension,Size);%以后位置Position统一为此种记法:行 dimension;列 Size;
Velocity=zeros(dimension,Size);%每个粒子的位置、速度对应于一列。
[Position,Velocity]=initial_Position_Velocity(dimension,Size,Xmax,Xmin,Vmax,Vmin);
%%个体最优 P_p 和全局最优 globe 初始赋值%%
P_p=Position;globe=zeros(dimension,1);
%%评价每个粒子适应值,寻找出 globle%%
for j=1:Size
    Pos=Position(:,j);
    fz(j)=Fitness_Function(Pos,F_n);
end
[P_g,I]=min(fz);%P_g  1*1 ?
globe=Position(:,I);
%%打散参数设置%%
N_dismiss=51;%太小,不利于初始寻优
N_dismissed=0;%记录被打散的次数
deltaP_gg=0.001;%种群过分收敛衡量标准值(适应度变化率)
%  reset = 1;  %设置reset = 1时指示粒子群过分收敛时将被打散,如果reset=0则不打散
reset_dismiss = 0;
%%迭代开始%%
for itrtn=1:Tmax
   time(itrtn)=itrtn;
%%过于集中时打散%%
   if reset_dismiss==1
       bit=1;
       if itrtn>N_dismiss
          bit=bit&((P_gg(itrtn-1)-P_gg(itrtn-N_dismiss))/P_gg(itrtn-1)< deltaP_gg);
          if bit==1
             [Position,Velocity]=initial_Position_Velocity(dimension,Size,Xmax,Xmin,Vmax,Vmin);%重新初始化位置和速度
             N_dismissed=N_dismissed+1;
             N_dismissed
             warning('粒子过分集中!重新初始化……');      %   给出信息
             itrtn
          end
       end
    end

     Weight=0.4+0.5*(Tmax-itrtn)/Tmax;
%        Weight=1;
     r1=rand(1);r2=rand(1);
    for i=1:Size
        Velocity(:,i)=Weight*Velocity(:,i)+c1*r1*(P_p(:,i)-Position(:,i))+c2*r2*(globe-Position(:,i));%速度更新
    end
%%速度限制%%
    for i=1:Size
            %%引入速度边界变异%%
%         Vout_max=max(Velocity(:,i));
%         Vout_min=min(Velocity(:,i));
%         if Vout_max
        jj=1;
        K=ones(dimension,1);
        for row=1:dimension
            if Velocity(row,i)>Vmax(row)
             K(jj)=Vmax(row)/Velocity(row,i);
             jj=jj+1;
            elseif Velocity(row,i)<Vmin(row)
             K(jj)=Vmin(row)/Velocity(row,i);
             jj=jj+1;
            else
            end
        end
        Kmin=min(K);
        for row=1:dimension
            if Velocity(row,i)>Vmax(row)
                Velocity(row,i)=Velocity(row,i)*Kmin;
            elseif Velocity(row,i)<Vmin(row)
                Velocity(row,i)=Velocity(row,i)*Kmin;
            else
            end
        end

     end
%      K
    Position=Position+Velocity;%位置更新
%%位置限制%%
    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
%%重新评价每个粒子适应值,更新个体最优 P_p 和全局最优 globe%%
    for j=1:Size
        xx=Position(:,j)';
       fz1(j)=Fitness_Function(xx,F_n);
        if fz1(j)<fz(j)
            P_p(:,j)=Position(:,j);
            fz(j)=fz1(j);
        end
     % [P_g1,I]=min(fz1);%%%有改动
        if fz1(j)<_g
            P_g=fz1(j);
     %      globe=Position(:,I);
        end
    end
     [P_g1 I]=min(fz);
     P_gg(itrtn)=P_g1;
     globe=P_p(:,I);
%     globe=Position(:,I);
%     itrtn
%     globe
%% draw 粒子群运动变化图%%   
       XX=Position(1,;YY=Position(2,;ZZ=Position(3,;
        if dimension>= 3
             set(Swarmscope,'XData',XX,'YData', YY, 'ZData', ZZ);
        elseif dimension== 2
             set(Swarmscope,'XData',XX,'YData',YY );%设置
        end
        xlabel('粒子第一维');
        ylabel('粒子第二维');
        zlabel('粒子第三维');
        drawnow;
end
%%画‘评价值’变化曲线%%
figure(1);
BestFitness_plot(time,P_gg);

%%画系统阶跃响应变化曲线%%
% figure(2);
% Step_2PID(globe)

function   BestFitness_plot(time,P_gg)
plot(time,P_gg);
xlabel('迭代的次数');ylabel('适应度值P_g');
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);
      Velocity(i,:)=Vmin(i)+(Vmax(i)-Vmin(i))*rand(1,Size);
   end

function Fitness=Fitness_Function(X,F_n)
  global dimension  Size
% F_n 标准测试函数选择,其中:
% n=1: f1_Sphere        测试   
% n=2: f2_Quadric       测试
% n=3: f3_Ackley        测试  
% n=4: f4_Griewank      测试
% n=5: f5_Rastrigin     测试
% n=6: f6_Rosenbrock    测试
% n=7: f7_Schaffer's f6 测试  注:此函数只接受两个变量,故dimension=2。
switch F_n
  case 1
    %%  f1_Sphere        %%
       Func_Rastrigin=X(:)'*X(:);
       Fitness=Func_Rastrigin;
  case 2
    %%  f2_Quadric       %%
       res1=0;
       for row=1:dimension
           res1=res1+(sum(X(1:row)))^2;
       end
       Func_Quadric=res1;
       Fitness=Func_Quadric;
  case 3
       %%  f3_Ackley        %%
       Func_Ackley=-20*exp(-0.2*sqrt((1/dimension)*(X(:)'*X(:))))-exp((1/dimension)*((cos(2*pi*X(:)')*cos(2*pi*X(:)))))+20+exp(1);
       Fitness=Func_Ackley;
  case 4
      %%  f4_griewank      %%
      res1=X(:)'*X(:)/4000;
      res2=1;
      for row=1:dimension
          res2=res2*cos(X(row)/sqrt(row));
      end
      Func_Griewank=res1-res2+1;
      Fitness=Func_Griewank;
  case 5
      %%  f5_Rastrigin     %%
      Func_Rastrigin=X(:)'*X(:)-10*sum(cos(X(:)*2*pi))+10*dimension;
      Fitness=Func_Rastrigin;
  case 6
      %%  f6_Rosenbrock    %%
      res1=0;
      for row=1dimension-1)
          res1=res1+100*(X(row+1)-X(row)^2)^2+(X(row)-1)^2;
      end
      Func_Rosenbrock=res1;
      Fitness=Func_Rosenbrock;
   case 7
      %%  f7_Schaffer's f6 %%
      Func_Schaffer=0.5-(sin(sqrt(X(1)^2+X(2)^2))^2-0.5)/(1+0.001*(X(1)^2+X(2)^2))^2;
      Fitness=Func_Schaffer;            
end

水下机器人传感器、传感器与远程病患监护等精品视频推荐(奖励400信元)

返回列表

站长推荐 关闭


(观看奖励400信元)水下机器人传感器、传感器与远程病患监护等精品视频推荐

水下机器人开源的项目非常少,如果要从事水下机器人的创业,很多设计都需要从零开始。在设计水下机器人时,由于产品接触到水,对压力传感器会有特殊要求。TE如何 ...


查看