标签：class package jsb show 背景 保留 amp 分析 基于
一.产生背景
?粒子群算法(particleswarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法对于Hepper的模拟鸟群(鱼群)的模型进行修正，以使粒子能够飞向解空间，并在最好解处降落，从而得到了粒子群优化算法。
?同遗传算法类似，也是一种基于群体叠代的，但并没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。
?PSO的优势在于简单，容易实现，无需梯度信息，参数少，特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。
设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。
那么找到食物的最优策略是什么？
最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
?每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
?所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。
?每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
?每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
(2)基本PSO算法a. D维空间中，有m个粒子；
粒子i位置：xi=(xi1,xi2,…xiD)
粒子i速度：vi=(vi1,vi2,…viD)，1≤i≤m,1 ≤d ≤D
粒子i经历过的历史最好位置：pi=(pi1,pi2,…piD)
群体内（或领域内）所有粒子所经历过的最好位置：
pg =(pg1,pg2,…pgD)
PS:一般来说，粒子的位置和速度都是在连续的实数空间内进行取值。
b.基本PSO公式
(3)基本PSO算法流程图
关于每个粒子的更新速度和位置的公式如下:
三.简单应用
算法执行的过程如下:
close all;
clear all;
PopSize=500;%种群大小
CityNum = 14;%城市数
OldBestFitness=0;%旧的最优适应度值
Iteration=0;%迭代次数
MaxIteration =2000;%最大迭代次数
IsStop=0;%程序停止标志
Num=0;%取得相同适应度值的迭代次数
c1=0.5;%认知系数
c2=0.7;%社会学习系数
w=0.96-Iteration/MaxIteration;%惯性系数,随迭代次数增加而递减
%节点坐标
node=[16.47 96.10; 16.47 94.44; 20.09 92.54; 22.39 93.37; 25.23 97.24;...
22.00 96.05; 20.47 97.02; 17.20 96.29; 16.30 97.38; 14.05 98.12;...
16.53 97.38; 21.52 95.59; 19.41 97.13; 20.09 94.55];
%初始化各粒子，即产生路径种群
Group=ones(CityNum,PopSize);
for i=1:PopSize
Group(:,i)=randperm(CityNum)‘;
end
Group=Arrange(Group);
%初始化粒子速度（即交换序）
Velocity =zeros(CityNum,PopSize);
for i=1:PopSize
Velocity(:,i)=round(rand(1,CityNum)‘*CityNum); %round取整
end
%计算每个城市之间的距离
CityBetweenDistance=zeros(CityNum,CityNum);
for i=1:CityNum
for j=1:CityNum
CityBetweenDistance(i,j)=sqrt((node(i,1)-node(j,1))^2+(node(i,2)-node(j,2))^2);
end
end
%计算每条路径的距离
for i=1:PopSize
EachPathDis(i) = PathDistance(Group(:,i)‘,CityBetweenDistance);
end
IndivdualBest=Group;%记录各粒子的个体极值点位置,即个体找到的最短路径
IndivdualBestFitness=EachPathDis;%记录最佳适应度值,即个体找到的最短路径的长度
[GlobalBestFitness,index]=min(EachPathDis);%找出全局最优值和相应序号
%初始随机解
figure;
subplot(2,2,1);
PathPlot(node,CityNum,index,IndivdualBest);
title(‘随机解‘);
%寻优
while(IsStop == 0) & (Iteration < MaxIteration)
%迭代次数递增
Iteration = Iteration +1;
%更新全局极值点位置,这里指路径
for i=1:PopSize
GlobalBest(:,i) = Group(:,index);
end
%求pij-xij ,pgj-xij交换序，并以概率c1，c2的保留交换序
pij_xij=GenerateChangeNums(Group,IndivdualBest);
pij_xij=HoldByOdds(pij_xij,c1);
pgj_xij=GenerateChangeNums(Group,GlobalBest);
pgj_xij=HoldByOdds(pgj_xij,c2);
%以概率w保留上一代交换序
Velocity=HoldByOdds(Velocity,w);
Group = PathExchange(Group,Velocity); %根据交换序进行路径交换
Group = PathExchange(Group,pij_xij);
Group = PathExchange(Group,pgj_xij);
for i = 1:PopSize % 更新各路径总距离
EachPathDis(i) = PathDistance(Group(:,i)‘,CityBetweenDistance);
end
IsChange = EachPathDis<IndivdualBestFitness;%更新后的距离优于更新前的，记录序号
IndivdualBest(:, find(IsChange)) = Group(:, find(IsChange));%更新个体最佳路径
IndivdualBestFitness = IndivdualBestFitness.*( ~IsChange) + EachPathDis.*IsChange;%更新个体最佳路径距离
[GlobalBestFitness, index] = min(EachPathDis);%更新全局最佳路径,记录相应的序号
if GlobalBestFitness==OldBestFitness %比较更新前和更新后的适应度值;
Num=Num+1; %相等时记录加一;
else
OldBestFitness=GlobalBestFitness;%不相等时更新适应度值，并记录清零;
Num=0;
end
if Num >= 20 %多次迭代的适应度值相近时程序停止
IsStop=1;
end
BestFitness(Iteration) =GlobalBestFitness;%每一代的最优适应度
end
%最优解
subplot(2,2,2);
PathPlot(node,CityNum,index,IndivdualBest);
title(‘优化解‘);
%进化曲线
subplot(2,2,3);
plot((1:Iteration),BestFitness(1:Iteration));
grid on;
title(‘进化曲线‘);
%最小路径值
GlobalBestFitness
运行结果如下:
package pso;
import java.awt.*;
import java.awt.event.*;
import java.io.ByteArrayInputStream;
import java.io.InputStream;
import javax.swing.*;
import javax.swing.event.*;
public class Pso extends Frame implements Runnable
{
private static int particleNumber; //粒子的数量
private static int iterations; //迭代的次数
private static int k=1; //记录迭代的次数
final private static float C1=2; //学习因子
final private static float C2=2;
final private static float WMIN=-200;
final private static float WMAX=200;
final private static float VMAX=200;
private static float r1; //随机数0-1之间
private static float r2;
private static float x[][];
private static float v[][];
private static float xpbest[][];
private static float pbest[];
private static float gbest=0;
private static float xgbest[];
private static float w; //惯性因子
private static float s;
private static float h;
private static float fit[];
public Sounds sound;
//粒子群的迭代函数
public void lzqjs()
{
w=(float)(0.9-k*(0.9-0.4)/iterations);
for(int i=0;i<particleNumber;i++)
{
fit[i]= (float)(1/(Math.pow(x[i][0],2)+Math.pow(x[i][1],2))); //求适值函数最大值
System.out.print("粒子"+i+"本次适应值函数f为：" + fit[i]);
System.out.println();
if(fit[i]>pbest[i])
{
pbest[i]=fit[i];
xpbest[i][0]=x[i][0];
xpbest[i][1]=x[i][1];
}
if(pbest[i]>gbest)
{
gbest=pbest[i];
xgbest[0]=xpbest[i][0];
xgbest[1]=xpbest[i][1];
}
}
for(int i=0;i<particleNumber;i++)
{
for(int j=0;j<2;j++)
{
//粒子速度和位置迭代方程:
v[i][j]=(float)(w*v[i][j]+C1*Math.random()*(xpbest[i][j]-x[i][j])+C2*Math.random()*(xgbest[j]-x[i][j]));
x[i][j]=(float)(x[i][j]+v[i][j]);
}
System.out.print("粒子"+i+"本次X1的速度变化幅度:"+v[i][0]+";本次X2的速度变化幅度:"+v[i][1]);
System.out.println();
System.out.print("粒子"+i+"本次X1为："+x[i][0]+";本次X2为："+x[i][1]);
System.out.println();
}
}
public static void main(String[] args)
{
particleNumber=Integer.parseInt(JOptionPane.showInputDialog("请输入粒子个数1-500）"));
iterations=Integer.parseInt(JOptionPane.showInputDialog("请输入迭代次数"));
x=new float [particleNumber][2];
v=new float [particleNumber][2];
fit=new float [particleNumber]; //存储适值函数值
pbest=new float [particleNumber]; //存储整个粒子群的最有位置
xpbest=new float [particleNumber][2];
xgbest=new float [2];
for(int i=0;i<particleNumber;i++)
{
//对数组的初始化操作
pbest[i]=0;
xpbest[i][0]=0;
xpbest[i][1]=0;
}
xgbest[0]=0;
xgbest[1]=0;
System.out.println("开始初始化：");
for(int i=0;i<particleNumber;i++)
{
for(int j=0;j<2;j++)
{
//任意给定每个位置一定的位置值和速度值
x[i][j]=(float)(WMAX*Math.random()+WMIN);
v[i][j]=(float)(VMAX*Math.random());
}
System.out.print("粒子"+i+"本次X1的变化幅度:"+v[i][0]+";本次X2的变化幅度:"+v[i][1]);
System.out.println();
System.out.print("粒子"+i+"本次X1为："+x[i][0]+";本次X2为："+x[i][1]);
System.out.println();
}
System.out.println("初始化数据结束，开始迭代.....");
Pso threada=new Pso();
threada.setTitle("基于粒子群的粒子位置动态显示");
threada.setSize(800,800);
threada.addWindowListener(new gbck());
threada.setVisible(true);
Thread threadc=new Thread(threada);
threadc.start();
}
static class gbck extends WindowAdapter
{
public void windowClosing(WindowEvent e)
{
System.exit(0);
}
}
//开启的额外线程用于声音的播放
public void run()
{
repaint();
for(int i=0;i<iterations;i++){
sound();
}
}
public void paint(Graphics g)
{
g.setColor(new Color(0,0,0));
for(int i=0;i<particleNumber;i++)
{
g.drawString("*",(int)(x[i][0]+200),(int)(x[i][1]+200));
}
g.setColor(new Color(255,0,0));
g.drawString("全局最优适应度函数值："+gbest+" 参数1："+xgbest[0]+" 参数2："+xgbest[1]+" 迭代次数："+ k,50,725);
try
{
lzqjs(); //开始迭代
if(k>=iterations)
{
Thread.sleep((int)(5000));
System.exit(0);
}
k=k+1; //每次迭代一次加1操作
Thread.sleep((int)(1000));
}
catch(InterruptedException e)
{
System.out.println(e.toString());
}
repaint();
}
public void sound(){
sound =new Sounds("050.wav");
InputStream stream =new ByteArrayInputStream(sound.getSamples());
// play the sound
sound.play(stream);
// exit
}
}运行的结果如下:
标签：class package jsb show 背景 保留 amp 分析 基于
原文地址：http://blog.csdn.net/zuochao_2013/article/details/53431767
