返回
粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）
粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）
2024-06-26 12:36:10  作者:寶佑珥  网址:https://m.xinb2b.cn/know/lns490515.html

1、粒子群算法简介

粒子群优化算法(Particle Swarm Optimization——PSO）， 由James Kennedy（社会心理学博士）和Russell Eberhart（电子工程学博士，于1995年提出的一种基于种群的随机优化算法。

粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）(1)

鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，粒子I 在N维空间的位置表示为矢量Xi＝(x1，x2，…，xn)，飞行速度表示为矢量Vi＝(v1，v2，…，vn),每个粒子都有一个由目标函数决定的适应值(fitness value)；并且知道自己到目前为止发现的最好位置(pbest)；除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest是pbest中的最好值)。　　　

2、粒子群算法核心概念

如果鸟群觅食的过程中会有信息的交流，则每一个小鸟都会向最优的路径进行觅食的。每一个小鸟其对应的位置矢量和速度矢量，所以在寻优的过程中会对每一个粒子的位置和速度进行更新。

粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）(2)

其中（1）式为粒子i在第k 1次迭代时的速度更新公式，（2）式为相对应的位置更新公式。

rand()是介于0~1之间的实数，ω为惯性因子，c1为个体学习因子，c2为群体认知因子。

从社会学的角度来看，公式(1)的第一部分称为记忆项，表示上次速度大小和方向的影响；公式第二部分称为自身认知项，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的分；公式的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协同合作和知识共享。

粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。ω值较大，全局寻优能力强，局部寻优能力弱，ω较小，则反之。初始时，ω取为常数，后来实验发现，动态能够获得比固定值更好的寻优结果。动态可以在PSO搜索过程中线性变化，也可根据PSO性能的某个测度函数动态改变。

在解决TSP问题中，每一个粒子相当于遗传算法中的每一个个体，粒子的位置则相当于该个体访问所有城市的路径，粒子的速度则是一个交换序列的矩阵。该交换序列是把个体最优或群体最优的粒子与粒子群的路径关系。就是说在最优个体的粒子其中一个元素在待优化的粒子中的位置记录下来，并且在接下来的更新粒子位置时，尽量复制最优个体的元素序列。

3、粒子群算法流程

Step1:初始化一群微粒(群体规模为M)，包括随机位置和速度；

Step2:评价每个微粒的适应度；

Step3:对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest;

Step4:对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest;

Step5:根据(1)、(2)式调整微粒速度和位置；

Step6:未达到结束条件则转Step2。

4、粒子群算法实例及代码

粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）(3)

解决TSP问题的Matlab代码如下:

function Psorout = PSO_TSP(xy,dmat,Popsize,IterNum,showProg,showResult)%利用粒子群优化算法解决TSP问题nargs = 6;%代表函数要输入参数的个数for i = nargin:nargs-1 switch i case 0 %产生城市数据 xy = [488,814;1393,595;2735,2492;4788,4799;4825,1702;789,2927;4853,1120;4786,3757;2427,1276;4002,2530;710,3496;2109,4455;4579,4797;3962,2737;4798,694;3279,747;179,1288;4246,4204;4670,1272;3394,4072;3789,1218;3716,4647; 1962,1750];% xy = 5000*rand(39,2);%产生40个城市坐标40*2矩阵 case 1 %计算距离矩阵 N = size(xy,1); a = meshgrid(1:N);%生成N*N升序矩阵 dmat = reshape(sqrt(sum((xy(a,:)-xy(a',:)).^2,2)),N,N);% '为矩阵的转置，reshape把数据生成N*N的矩阵 case 2 %设置粒子群数目 Popsize = 500; case 3 %设置迭代次数 IterNum = 2000; case 4 %是否展示迭代过程 showProg = 1; case 5 %是否展示结果 showResult = 1; otherwise endend%对输入参数进行检查[N,~] = size(xy);%城市个数、维数[nr,nc] = size(dmat);%距离矩阵的行数和列数if N~=nr || N~=nc error('城市坐标或距离矩阵输入有误')endshowProg = logical(showProg(1));%将数值转变为逻辑值showResult = logical(showResult(1));%画出城市位置分布图figure(1);plot (xy(:,1),xy(:,2),'k.','MarkerSize',14);title('城市坐标位置');%% PSO参数初始化c1 = 0.1; %个体学习因子c2 = 0.075; %社会学习因子w = 1; %惯性因子pop = zeros(Popsize,N); %粒子位置v = zeros(Popsize,N); %粒子速度iter = 1; %迭代次数计时fitness = zeros(Popsize,1); %适应度函数值Pbest = zeros(Popsize,N); %个体极值路径Pbest_fitness = zeros(Popsize,1); %个体极值Gbest = zeros(IterNum,N); %群体极值路径Gbest_fitness = zeros(Popsize,1); %群体极值Length_ave = zeros(IterNum,1);ws = 1; %惯性因子最大值we = 0.5; %惯性因子最小值%% 产生初始位置和速度for i = 1:Popsize pop(i,:) = randperm(N); v(i,:) = randperm(N);end%计算粒子适应度值for i =1:Popsize for j =1:N-1 fitness(i) = fitness(i) dmat(pop(i,j),pop(i,j 1)); end fitness(i) = fitness(i) dmat(pop(i,end),pop(i,1));%加上终点回到起点的距离end%计算个体极值和群体极值Pbest_fitness = fitness;Pbest = pop;[Gbest_fitness(1),min_index] = min(fitness);Gbest(1,:) = pop(min_index);Length_ave(1) = mean(fitness);%% 迭代寻优while iter <IterNum %更新迭代次数与惯性系数 iter = iter 1; w = ws-(ws-we)*(iter/IterNum)^2;%动态惯性系数 %更新速度 %个体极值序列交换部分 change1 = positionChange(Pbest,pop); change1 = changeVelocity(c1,change1);%是否进行交换 %群体极值序列交换部分 change2 = positionChange(repmat(Gbest(iter-1,:),Popsize,1),pop);%将Gbest复制成m行 change2 = changeVelocity(c2,change2); %原速度部分 v = OVelocity(w,v); %修正速度 for i = 1:Popsize for j =1:N if change1(i,j) ~= 0 v(i,j) = change1(i,j); end if change2(i,j) ~= 0 v(i,j) = change2(i,j); end end end %更新粒子位置 pop = updatePosition(pop,v);%更新粒子的位置，也就是更新路径序列 %适应度值更新 fitness = zeros(Popsize,1); for i = 1:Popsize for j = 1:N-1 fitness(i) = fitness(i) dmat(pop(i,j),pop(i,j 1)); end fitness(i) = fitness(i) dmat(pop(i,end),pop(i,1)); end %个体极值与群体极值的更新 for i =1:Popsize if fitness(i) < Pbest_fitness(i) Pbest_fitness(i) = fitness(i); Pbest(i,:) = pop(i,:); end end [minvalue,min_index] = min(fitness); if minvalue <Gbest_fitness(iter-1) Gbest_fitness(iter) = minvalue; Gbest(iter,:) = pop(min_index,:); if showProg figure(2); for i = 1:N-1 %画出中间段 plot([xy(Gbest(iter,i),1),xy(Gbest(iter,i 1),1)],[xy(Gbest(iter,i),2),xy(Gbest(iter,i 1),2)],'bo-','LineWidth',2); hold on; end plot([xy(Gbest(iter,end),1),xy(Gbest(iter,1),1)],[xy(Gbest(iter,end),2),xy(Gbest(iter,1),2)],'bo-','LineWidth',2); title(sprintf('最优路线距离 = %1.2f，迭代次数 = %d次',minvalue,iter)); hold off end else Gbest_fitness(iter) = Gbest_fitness(iter-1); Gbest(iter,:) = Gbest(iter-1,:); end Length_ave(iter) = mean(fitness);end%% 结果显示[Shortest_Length,index] = min(Gbest_fitness);BestRoute = Gbest(index,:);if showResult figure(3); plot([xy(BestRoute,1);xy(BestRoute(1),1)],[xy(BestRoute,2);xy(BestRoute(1),2)],'o-') grid on xlabel('城市位置横坐标'); ylabel('城市位置纵坐标'); title(sprintf('粒子群算法优化路径最短距离：%1.2f',Shortest_Length)); figure(4); plot(1:IterNum,Gbest_fitness,'b',1:IterNum,Length_ave,'r:') legend('最短距离','平均距离'); xlabel('迭代次数'); ylabel('距离') title('各代最短距离与平均距离对比');endif nargout Psorout{1} = BestRoute; Psorout{2} = Shortest_Length; end endfunction change = positionChange(best,pop)%记录将pop变成best的交换序列for i = 1:size(best,1) for j =1:size(best,2) change(i,j) = find(pop(i,:)==best(i,j));%在粒子i中找到best(i,j)位置索引 temp = pop(i,j);%将序列交换 pop(i,j) = pop(i,change(i,j)); pop(i,change(i,j)) = temp; endendendfunction change = changeVelocity(c,change)%以一定的概率保留序列for i =1:size(change,1) for j = 1:size(change,2) if rand > c change(i,j) = 0; end endendendfunction v = OVelocity(c,v)%以一定的概率保留上一次迭代的交换序列for i =1:size(v,1) for j = 1:size(v,2) if rand >c v(i,j) = 0; end endendendfunction pop = updatePosition(pop,v)%利用速度记录的交换序列进行位置的更新for i = 1:size(pop,1) for j =1:size(pop,2) if v(i,j) ~= 0 temp = pop(i,j); pop(i,j) = pop(i,v(i,j)); pop(i,v(i,j)) = temp; end endendend

结果如下：

粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）(4)

粒子算法优化背包问题matlab（粒子群优化算法解决TSP问题及Matlab代码）(5)

若有小伙伴对机器人任务分配算法较为兴趣的，可以在下面评论交流一波，纯属互相学习!

  • 山塘街卖艺寻妻记（在路上捡个异国小可怜做对象）
  • 2024-06-26在路上捡个异国小可怜做对象《市井》作者刘水水导读：跑长途拉货的司机，在半路捡到异国小可怜，语言不通没关系，他们肢体接触简介：秦闯是开货车跑长途的，是一个容易心软的人去云南时，捡到了.偷.渡过来的秋秋秋秋是老挝人，生活环境苦，于。
  • 怎样帮家里人买惠医保（帮家里人买惠医保怎么买）
  • 2024-06-26帮家里人买惠医保怎么买参保渠道：“惠州医保”微信公众号或“惠州惠医保”微信公众号；参保流程：填写好投保人信息后，点击“添加+”新增被保险人，并按照页面的要求准确填写家人的信息（最多可填写8名参保人如果投保人医保个人账户余额。
  • 虚拟货币和数字货币的区别（电子货币虚拟货币）
  • 2024-06-26电子货币虚拟货币伴随着数字化时代的到来，货币的形态也再次面临革命性的变化，电子货币，数字货币、虚拟货币的到来与普及已成了不可逆转的趋势那么我们口中经常说起的数字货币到底是个啥?很明显，数字货币就是指以数字形式存在的货。
  • 如何去除墙上的双面胶（怎样去除墙面上的双面胶）
  • 2024-06-26怎样去除墙面上的双面胶双面胶在现在的生活中运用是比较广泛的，给墙上贴个东西是非常的方便的，但是也有不好的一面，就是不要这种东西的时候，墙面上会留下双面胶的痕迹，该怎样去除这些较痕呢?来了解一下吧怎样去除墙面上的双面胶？1、。
  • 十宗罪肢体雪人好词好句
  • 2024-06-26十宗罪肢体雪人好词好句《十宗罪一》——肢体雪人1.人不能两次踏入同一条河流，因为无论是这条河还是这个人都已经不同——赫拉克利特(我很喜欢大叔每个故事的前言，看似与故事无关，但是细细品味，你会发现其实很贴切)2.雪，一片，一。
  • english单词趣味记忆（趣味记单词之China）
  • 2024-06-26趣味记单词之ChinaChina中国，相信大家都知道这个单词的意思，我是初中知道这个单词的，因为我是从初中开始学英语的，哈哈，不小心暴露了年龄！当时学英语是比较被动的，老师教什么，学生学什么，很少会去深究它背后的东西!后面。
  • 南瓜蒸熟冷冻还是生的冷冻（南瓜形态特征介绍）
  • 2024-06-26南瓜形态特征介绍南瓜生的冷冻南瓜蒸熟之后其中的水分会增加，在冷冻条件下会结成更多的冰晶，从而流失营养，而生南瓜无此影响，因此选生南瓜冷冻冷冻保存是南瓜常用的一种保存方式，不仅能保障南瓜不腐败变质，并且还能保存南瓜的味。
  • 龙华大浪一区房价多少一平（大浪即将迎来地铁时代）
  • 2024-06-26大浪即将迎来地铁时代2020年是深圳地铁新增线路的大年在接下来的2个月内，深圳地铁将会开通全长49公里的6号线，以及全长29公里的10号线这两条线路备受期待的原因之一，在于它们将触达很多原本没有地铁覆盖的片区，例如光明区。
  • 全等三角形基本模型归纳：全等三角形中常见基本模型
  • 2024-06-26全等三角形基本模型归纳：全等三角形中常见基本模型全等三角形是中考常考内容，初学全等三角形，我们应该掌握哪些内容呢？三种模型、三大变换，你掌握了几种？三大变换之平移变换平移变换是我们接触最早的一种变换方式，在小学时就开始接触，应该比较熟悉平移只改变图。
  • 奶白鲫鱼豆腐汤（奶白鲫鱼豆腐汤怎么做）
  • 2024-06-26奶白鲫鱼豆腐汤怎么做主料：鲫鱼2条，内酯豆腐1块辅料：小葱适量、姜适量、盐适量、白胡椒适量、巴马火麻油1勺，料酒2勺把鱼开膛去鳃去鳞洗净，加点细盐抹全身，沥干水豆腐切块把锅烧热，倒入少量油，转动锅，让油滑一下锅，再倒出，。