以Ras函数(Rastrigin's Function)为目标函数,求其在x1,x2∈[-5,5]上的最小值。这个函数对模拟退火、进化计算等算法具有很强的欺骗性,因为它有非常多的局部最小值点和局部最大值点,很容易使算法陷入局部最优,而不能得到全局最优解。如下图所示,该函数只在(0,0)处存在全局最小值0。
Python代码实现
import numpy as np
import matplotlib.pyplot as plt
# 目标函数定义
def ras(x):
y = 20 + x[0] ** 2 + x[1] ** 2 - 10 * (np.cos(2 * np.pi * x[0]) + np.cos(2 * np.pi * x[1]))
return y
# 参数初始化
w = 1.0
c1 = 1.49445
c2 = 1.49445
maxgen = 200 # 进化次数
sizepop = 20 # 种群规模
# 粒子速度和位置的范围
Vmax = 1
Vmin = -1
popmax = 5
popmin = -5
# 产生初始粒子和速度
pop = 5 * np.random.uniform(-1, 1, (2, sizepop))
v = np.random.uniform(-1, 1, (2, sizepop))
fitness = ras(pop) # 计算适应度
i = np.argmin(fitness) # 找最好的个体
gbest = pop # 记录个体最优位置
zbest = pop[:, i] # 记录群体最优位置
fitnessgbest = fitness # 个体最佳适应度值
fitnesszbest = fitness[i] # 全局最佳适应度值
# 迭代寻优
t = 0
record = np.zeros(maxgen)
while t < maxgen:
# 速度更新
v = w * v + c1 * np.random.random() * (gbest - pop) + c2 * np.random.random() * (zbest.reshape(2, 1) - pop)
v[v > Vmax] = Vmax # 限制速度
v[v < Vmin] = Vmin
# 位置更新
pop = pop + 0.5 * v
pop[pop > popmax] = popmax # 限制位置
pop[pop < popmin] = popmin
'''
# 自适应变异
p = np.random.random() # 随机生成一个0~1内的数
if p > 0.8: # 如果这个数落在变异概率区间内,则进行变异处理
k = np.random.randint(0,2) # 在[0,2)之间随机选一个整数
pop[:,k] = np.random.random() # 在选定的位置进行变异
'''
# 计算适应度值
fitness = ras(pop)
# 个体最优位置更新
index = fitness < fitnessgbest
fitnessgbest[index] = fitness[index]
gbest[:, index] = pop[:, index]
# 群体最优更新
j = np.argmin(fitness)
if fitness[j] < fitnesszbest:
zbest = pop[:, j]
fitnesszbest = fitness[j]
record[t] = fitnesszbest # 记录群体最优位置的变化
t = t + 1
# 结果分析
print(zbest)
plt.plot(record, 'b-')
plt.xlabel('generation')
plt.ylabel('fitness')
plt.title('fitness curve')
plt.show()
结果为
[0.99699579 0.00148844]
可以知道求解的点非最小值,算法陷入了局部最小值。
删除自适应变异部分的注释,运行后结果如下,可以看出收敛到全局最优解。
[0.00022989 0.00014612]
Matlab有个自带的粒子群优化函数particleswarm也可以使用。本例的代码如下:
y = @(x) 20 + x(1).^2 + x(2).^2 - 10*(cos(2*pi*x(1))+cos(2*pi*x(2)));
rng default
options = optimoptions('particleswarm','SwarmSize',200,'HybridFcn',@fmincon,'MaxIterations',200, 'Display','iter');
lb = [-5 -5]; % 这是变量的下限
ub = [5 5]; % 这是变量的上限
[x,fval,exitflag,output] = particleswarm(y,length(lb),lb,ub,options);
结果如下
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。
举报投诉
-
MATLAB仿真
+关注
关注
4文章
176浏览量
19900 -
粒子群算法
+关注
关注
0文章
63浏览量
13016 -
python
+关注
关注
55文章
4779浏览量
84440
发布评论请先 登录
相关推荐
粒子群优化模糊神经网络在语音识别中的应用
针对模糊神经网络训练采用BP算法比较依赖于网络的初始条件,训练时间较长,容易陷入局部极值的缺点,利用粒子群优化算法(PSO)的全局搜索性能,将PSO用于模糊神经网络的训练过程.由于基本PSO
发表于 05-06 09:05
LabVIEW粒子群优化(PSO)算法实现
常常听到这个算法那个算法的,今天就介绍一下粒子群优化算法的案例。实际效果图如下:PSO算法网上有很多关于matlab实现的方式及原理讲解,有
发表于 07-07 10:31
粒子群算法城镇能源优化调度问题
computation)。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解.PSO的优势:在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于
发表于 07-07 06:04
什么是粒子群算法?
粒子群算法(1.初步了解) 1995年,受鸟类捕食行为的启发,Kennedy和Eberhart正式提出了粒子群优化算法的概念。研究中发现,在鸟类捕食过程中,个体并不知道如何找到食物以及自身离食物
发表于 07-07 07:50
【Simulink】粒子群算法(PSO)整定PID参数(附代码和讲解)精选资料分享
本文提供粒子群算法简介和一个算法举例,提供粒子群算法仿真PID的M文件代码及simulink仿真。另外,本文还提供了一种动态simulink仿真方法,可以让M文件和simulink文件之间互相交换数据,
发表于 09-08 07:53
基于模拟退火结合粒子群算法介绍
【优化选址】基于模拟退火结合粒子群算法求解分布式电源定容选址问题matlab源码1 算法介绍1.1 模拟退火算法1.2 粒子群算法模型介绍见这里。1.3 含有分布式电源的配电网结构2 部分代码
发表于 12-29 07:04
基于模拟退火结合粒子群算法相关资料分享
【优化选址】基于模拟退火结合粒子群算法求解分布式电源定容选址问题matlab源码1 算法介绍1.1 模拟退火算法1.2 粒子群算法粒子群算法同遗传算法相似,也是根据生物界中的种群行为而
发表于 01-03 07:58
基于matlab粒子群配电网重构简介
一、简介基于matlab粒子群配电网重构二、源代码%主函数clearclcwarning offN=10;%节点总数(包括电源节点)R=16;%支路总数sizepop=10;%
发表于 01-03 07:05
基于混合粒子群算法的PID参数寻优
提出一种将单纯形法SM与粒子群算法PSO结合的混合粒子群算法HPSO。通过对3种常用测试函数进行优化和比较,结果表明HPSO比PSO和SM都
发表于 05-25 16:29
•20次下载
基于灰度平均梯度与粒子群优化PSO算法的散焦图像模糊参数估计
针对散焦模糊图像的复原问题,提出一种基于灰度平均梯度与粒子群优化(PSO)算法相结合的散焦图像模糊参数估计方法。首先,利用PSO算法随机生成一群不同模糊半径的点扩散函数,分别用维纳滤波
发表于 12-21 09:27
•1次下载
基于粒子群优化PSO算法的部署策略
针对云计算基础设施即服务(IaaS)中的虚拟机部署问题,提出一种基于粒子群优化(PSO)算法的部署策略。由于PSO算法在处理虚拟机部署这类大规模复杂问题时,具有收敛速度慢且容易陷入局部最优的缺点
发表于 12-26 10:32
•1次下载
基于粒子群算法的行李条码阅读器优化
问题;其次,通过标准粒子群优化(PSO)算法求解此优化问题;最后,依照模型特点对标准粒子群算法进行改进。仿真结果表明,与标准PSO算法相比,DPDF-
发表于 12-26 18:51
•0次下载
【物理应用】基于matlab粒子群配电网重构【含Matlab源码 764期】
一、简介基于matlab粒子群配电网重构二、源代码%主函数clearclcwarning offN=10;%节点总数(包括电源节点)R=16;%支路总数sizepop=10;%
发表于 01-12 12:04
•2次下载
粒子群算法的MATLAB实现(2)
粒子群算法经常与其他算法混合使用。混合策略就是将其他进化算法、传统优化算法或其他技术应用到PSO中,用于提高粒子多样性、增强粒子的全局探索能力,或者提高局部开发能力、增强收敛速度与精度
评论