拓冰网站定制 
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab优化求解仿真内容点击①Matlab优化求解 进阶版②付费专栏Matlab优化求解初级版⛳️关注CSDN海神之光更多资源等你来⛄一、遗传算法简介1 遗传算法概述遗传算法Genetic AlgorithmGA是进化计算的一部分是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型是一种通过模拟自然进化过程搜索最优解的方法。该算法简单、通用鲁棒性强适于并行处理。2 遗传算法的特点和应用遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法与传统的优化算法相比具有以下特点1以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身来进行优化计算但遗传算法是使用决策变量的某种形式的编码作为运算对象。这种对决策变量的编码处理方式使得我们在优化计算中可借鉴生物学中染色体和基因等概念可以模仿自然界中生物的遗传和进化激励也可以很方便地应用遗传操作算子。2直接以适应度作为搜索信息。传统的优化算法不仅需要利用目标函数值而且搜索过程往往受目标函数的连续性约束有可能还需要满足“目标函数的导数必须存在”的要求以确定搜索方向。遗传算法仅使用由目标函数值变换来的适应度函数值就可确定进一步的搜索范围无需目标函数的导数值等其他辅助信息。直接利用目标函数值或个体适应度值也可以将搜索范围集中到适应度较高部分的搜索空间中从而提高搜索效率。3使用多个点的搜索信息具有隐含并行性。传统的优化算法往往是从解空间的一个初始点开始最优解的迭代搜索过程。单个点所提供的搜索信息不多所以搜索效率不高还有可能陷入局部最优解而停滞遗传算法从由很多个体组成的初始种群开始最优解的搜索过程而不是从单个个体开始搜索。对初始群体进行的、选择、交叉、变异等运算产生出新一代群体其中包括了许多群体信息。这些信息可以避免搜索一些不必要的点从而避免陷入局部最优逐步逼近全局最优解。4 使用概率搜索而非确定性规则。传统的优化算法往往使用确定性的搜索方法一个搜索点到另一个搜索点的转移有确定的转移方向和转移关系这种确定性可能使得搜索达不到最优店限制了算法的应用范围。遗传算法是一种自适应搜索技术其选择、交叉、变异等运算都是以一种概率方式进行的增加了搜索过程的灵活性而且能以较大概率收敛于最优解具有较好的全局优化求解能力。但交叉概率、变异概率等参数也会影响算法的搜索结果和搜索效率所以如何选择遗传算法的参数在其应用中是一个比较重要的问题。综上由于遗传算法的整体搜索策略和优化搜索方式在计算时不依赖于梯度信息或其他辅助知识只需要求解影响搜索方向的目标函数和相应的适应度函数所以遗传算法提供了一种求解复杂系统问题的通用框架。它不依赖于问题的具体领域对问题的种类有很强的鲁棒性所以广泛应用于各种领域包括函数优化、组合优化生产调度问题、自动控制、机器人学、图像处理图像恢复、图像边缘特征提取…)、人工生命、遗传编程、机器学习。3 遗传算法的基本流程及实现技术基本遗传算法Simple Genetic Algorithms,SGA只使用选择算子、交叉算子和变异算子这三种遗传算子进化过程简单是其他遗传算法的基础。3.1 遗传算法的基本流程通过随机方式产生若干由确定长度长度与待求解问题的精度有关编码的初始群体通过适应度函数对每个个体进行评价选择适应度值高的个体参与遗传操作适应度低的个体被淘汰经遗传操作复制、交叉、变异的个体集合形成新一代种群直到满足停止准则进化代数GEN?将后代中变现最好的个体作为遗传算法的执行结果。其中GEN是当前代数M是种群规模i代表种群数量。3.2 遗传算法的实现技术基本遗传算法SGA由编码、适应度函数、遗传算子选择、交叉、变异及运行参数组成。3.2.1 编码1二进制编码二进制编码的字符串长度与问题所求解的精度有关。需要保证所求解空间内的每一个个体都可以被编码。优点编、解码操作简单遗传、交叉便于实现缺点长度大2其他编码方法格雷码、浮点数编码、符号编码、多参数编码等3.2.2 适应度函数适应度函数要有效反映每一个染色体与问题的最优解染色体之间的差距。3.2.3选择算子3.2.4 交叉算子交叉运算是指对两个相互配对的染色体按某种方式相互交换其部分基因从而形成两个新的个体交叉运算是遗传算法区别于其他进化算法的重要特征是产生新个体的主要方法。在交叉之前需要将群体中的个体进行配对一般采取随机配对原则。常用的交叉方式单点交叉双点交叉多点交叉交叉点数越多个体的结构被破坏的可能性越大一般不采用多点交叉的方式均匀交叉算术交叉3.2.5 变异算子遗传算法中的变异运算是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换从而形成一个新的个体。就遗传算法运算过程中产生新个体的能力方面来说交叉运算是产生新个体的主要方法它决定了遗传算法的全局搜索能力而变异运算只是产生新个体的辅助方法但也是必不可少的一个运算步骤它决定了遗传算法的局部搜索能力。交叉算子与变异算子的共同配合完成了其对搜索空间的全局搜索和局部搜索从而使遗传算法能以良好的搜索性能完成最优化问题的寻优过程。3.2.6 运行参数4 遗传算法的基本原理4.1 模式定理4.2 积木块假设具有低阶、定义长度短且适应度值高于群体平均适应度值的模式称为基因块或积木块。积木块假设个体的基因块通过选择、交叉、变异等遗传算子的作用能够相互拼接在一起形成适应度更高的个体编码串。积木块假设说明了用遗传算法求解各类问题的基本思想即通过积木块直接相互拼接在一起能够产生更好的解。⛄二、部分源代码clc;clear;close all;%% Problem DefinitionmodelCreateModel(); % Create ModelCostFunction(sol1) MyCost(sol1,model); % Cost FunctionVars.xhat.Min0;Vars.xhat.Max1;Vars.xhat.Size[1 model.n];Vars.xhat.Countprod(Vars.xhat.Size);Vars.xhat.VelMax0.1*(Vars.xhat.Max-Vars.xhat.Min);Vars.xhat.VelMin-Vars.xhat.VelMax;Vars.yhat.Min0;Vars.yhat.Max1;Vars.yhat.Size[1 model.n];Vars.yhat.Countprod(Vars.yhat.Size);Vars.yhat.VelMax0.1*(Vars.yhat.Max-Vars.yhat.Min);Vars.yhat.VelMin-Vars.yhat.VelMax;Vars.rhat.Min0;Vars.rhat.Max1;Vars.rhat.Size[1 model.n];Vars.rhat.Countprod(Vars.rhat.Size);Vars.rhat.VelMax0.1*(Vars.rhat.Max-Vars.rhat.Min);Vars.rhat.VelMin-Vars.rhat.VelMax;%% PSO ParametersMaxIt500; % Maximum Number of IterationsnPop50; % Population Size (Swarm Size)w1.0; % Inertia Weightwdamp0.99; % Inertia Weight Damping Ratioc10.7; % Personal Learning Coefficientc21.5; % Global Learning Coefficient% % Constriction Coefficients% phi12.05;% phi22.05;% phiphi1phi2;% chi2/(phi-2sqrt(phi^2-4phi));% wchi; % Inertia Weight% wdamp1; % Inertia Weight Damping Ratio% c1chiphi1; % Personal Learning Coefficient% c2chi*phi2; % Global Learning Coefficient%% Initializationempty_particle.Position[];empty_particle.Cost[];empty_particle.Sol[];empty_particle.Velocity[];empty_particle.Best.Position[];empty_particle.Best.Cost[];empty_particle.Best.Sol[];particlerepmat(empty_particle,nPop,1);GlobalBest.Costinf;for i1:nPop% Initialize Position particle(i).PositionCreateRandomSolution(model); % Initialize Velocity particle(i).Velocity.xhatzeros(Vars.xhat.Size); particle(i).Velocity.yhatzeros(Vars.yhat.Size); particle(i).Velocity.rhatzeros(Vars.rhat.Size); % Evaluation [particle(i).Cost, particle(i).Sol]CostFunction(particle(i).Position); % Update Personal Best particle(i).Best.Positionparticle(i).Position; particle(i).Best.Costparticle(i).Cost; particle(i).Best.Solparticle(i).Sol; % Update Global Best if particle(i).Best.CostGlobalBest.Cost GlobalBestparticle(i).Best; endendBestCostzeros(MaxIt,1);%% PSO Main Loopfor it1:MaxItfor i1:nPop % ---- Motion on xhat % Update Velocity particle(i).Velocity.xhat w*particle(i).Velocity.xhat ... c1*rand(Vars.xhat.Size).*(particle(i).Best.Position.xhat-particle(i).Position.xhat) ... c2*rand(Vars.xhat.Size).*(GlobalBest.Position.xhat-particle(i).Position.xhat); % Apply Velocity Limits particle(i).Velocity.xhat max(particle(i).Velocity.xhat,Vars.xhat.VelMin); particle(i).Velocity.xhat min(particle(i).Velocity.xhat,Vars.xhat.VelMax); % Update Position particle(i).Position.xhat particle(i).Position.xhat particle(i).Velocity.xhat; % Velocity Mirror Effect IsOutside(particle(i).Position.xhatVars.xhat.Min | particle(i).Position.xhatVars.xhat.Max); particle(i).Velocity.xhat(IsOutside)-particle(i).Velocity.xhat(IsOutside); % Apply Position Limits particle(i).Position.xhat max(particle(i).Position.xhat,Vars.xhat.Min); particle(i).Position.xhat min(particle(i).Position.xhat,Vars.xhat.Max); % ---- Motion on yhat % Update Velocity particle(i).Velocity.yhat w*particle(i).Velocity.yhat ... c1*rand(Vars.yhat.Size).*(particle(i).Best.Position.yhat-particle(i).Position.yhat) ... c2*rand(Vars.yhat.Size).*(GlobalBest.Position.yhat-particle(i).Position.yhat);function sol2ImproveSolution(sol1,model,Vars)nmodel.n; Arandperm(n); for iA sol1MoveMachine(i,sol1,model,Vars); end sol2sol1;endfunction [sol2, z2]MoveMachine(i,sol1,model,Vars)dmax0.5; % Zero [newsol(1), z(1)]RotateMachine(i,sol1,model); % Move Up newsol(2)sol1; dyunifrnd(0,dmax); newsol(2).yhat(i)sol1.yhat(i)dy; newsol(2).yhat(i)max(newsol(2).yhat(i),Vars.yhat.Min); newsol(2).yhat(i)min(newsol(2).yhat(i),Vars.yhat.Max); [newsol(2), z(2)]RotateMachine(i,newsol(2),model); % Move Down newsol(3)sol1; dyunifrnd(0,dmax); newsol(3).yhat(i)sol1.yhat(i)-dy; newsol(3).yhat(i)max(newsol(3).yhat(i),Vars.yhat.Min); newsol(3).yhat(i)min(newsol(3).yhat(i),Vars.yhat.Max); [newsol(3), z(3)]RotateMachine(i,newsol(3),model); % Move Right newsol(4)sol1; dxunifrnd(0,dmax); newsol(4).xhat(i)sol1.xhat(i)dx; newsol(4).xhat(i)max(newsol(4).xhat(i),Vars.xhat.Min); newsol(4).xhat(i)min(newsol(4).xhat(i),Vars.xhat.Max); [newsol(4), z(4)]RotateMachine(i,newsol(4),model); % Move Left newsol(5)sol1; dxunifrnd(0,dmax); newsol(5).xhat(i)sol1.xhat(i)-dx; newsol(5).xhat(i)max(newsol(5).xhat(i),Vars.xhat.Min); newsol(5).xhat(i)min(newsol(5).xhat(i),Vars.xhat.Max); [newsol(5), z(5)]RotateMachine(i,newsol(5),model); % Move Up-Right newsol(6)sol1; dxunifrnd(0,dmax); newsol(6).xhat(i)sol1.xhat(i)dx; newsol(6).xhat(i)max(newsol(6).xhat(i),Vars.xhat.Min); newsol(6).xhat(i)min(newsol(6).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(6).yhat(i)sol1.yhat(i)dy; newsol(6).yhat(i)max(newsol(6).yhat(i),Vars.yhat.Min); newsol(6).yhat(i)min(newsol(6).yhat(i),Vars.yhat.Max); [newsol(6), z(6)]RotateMachine(i,newsol(6),model); % Move Up-Left newsol(7)sol1; dxunifrnd(0,dmax); newsol(7).xhat(i)sol1.xhat(i)-dx; newsol(7).xhat(i)max(newsol(7).xhat(i),Vars.xhat.Min); newsol(7).xhat(i)min(newsol(7).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(7).yhat(i)sol1.yhat(i)dy; newsol(7).yhat(i)max(newsol(7).yhat(i),Vars.yhat.Min); newsol(7).yhat(i)min(newsol(7).yhat(i),Vars.yhat.Max); [newsol(7), z(7)]RotateMachine(i,newsol(7),model); % Move Down-Right newsol(8)sol1; dxunifrnd(0,dmax); newsol(8).xhat(i)sol1.xhat(i)dx; newsol(8).xhat(i)max(newsol(8).xhat(i),Vars.xhat.Min); newsol(8).xhat(i)min(newsol(8).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(8).yhat(i)sol1.yhat(i)-dy; newsol(8).yhat(i)max(newsol(8).yhat(i),Vars.yhat.Min); newsol(8).yhat(i)min(newsol(8).yhat(i),Vars.yhat.Max); [newsol(8), z(8)]RotateMachine(i,newsol(8),model); % Move Down-Left newsol(9)sol1; dxunifrnd(0,dmax); newsol(9).xhat(i)sol1.xhat(i)-dx; newsol(9).xhat(i)max(newsol(9).xhat(i),Vars.xhat.Min); newsol(9).xhat(i)min(newsol(9).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(9).yhat(i)sol1.yhat(i)-dy; newsol(9).yhat(i)max(newsol(9).yhat(i),Vars.yhat.Min); newsol(9).yhat(i)min(newsol(9).yhat(i),Vars.yhat.Max); [newsol(9), z(9)]RotateMachine(i,newsol(9),model); [z2, ind]min(z); sol2newsol(ind);⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例第2版[M].电子工业出版社2016.[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社2017.3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合 【优化布局】基于matlab粒子群算法求解带出入点的车间布局优化问题【含Matlab源码 011期】
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab优化求解仿真内容点击①Matlab优化求解 进阶版②付费专栏Matlab优化求解初级版⛳️关注CSDN海神之光更多资源等你来⛄一、遗传算法简介1 遗传算法概述遗传算法Genetic AlgorithmGA是进化计算的一部分是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型是一种通过模拟自然进化过程搜索最优解的方法。该算法简单、通用鲁棒性强适于并行处理。2 遗传算法的特点和应用遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法与传统的优化算法相比具有以下特点1以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身来进行优化计算但遗传算法是使用决策变量的某种形式的编码作为运算对象。这种对决策变量的编码处理方式使得我们在优化计算中可借鉴生物学中染色体和基因等概念可以模仿自然界中生物的遗传和进化激励也可以很方便地应用遗传操作算子。2直接以适应度作为搜索信息。传统的优化算法不仅需要利用目标函数值而且搜索过程往往受目标函数的连续性约束有可能还需要满足“目标函数的导数必须存在”的要求以确定搜索方向。遗传算法仅使用由目标函数值变换来的适应度函数值就可确定进一步的搜索范围无需目标函数的导数值等其他辅助信息。直接利用目标函数值或个体适应度值也可以将搜索范围集中到适应度较高部分的搜索空间中从而提高搜索效率。3使用多个点的搜索信息具有隐含并行性。传统的优化算法往往是从解空间的一个初始点开始最优解的迭代搜索过程。单个点所提供的搜索信息不多所以搜索效率不高还有可能陷入局部最优解而停滞遗传算法从由很多个体组成的初始种群开始最优解的搜索过程而不是从单个个体开始搜索。对初始群体进行的、选择、交叉、变异等运算产生出新一代群体其中包括了许多群体信息。这些信息可以避免搜索一些不必要的点从而避免陷入局部最优逐步逼近全局最优解。4 使用概率搜索而非确定性规则。传统的优化算法往往使用确定性的搜索方法一个搜索点到另一个搜索点的转移有确定的转移方向和转移关系这种确定性可能使得搜索达不到最优店限制了算法的应用范围。遗传算法是一种自适应搜索技术其选择、交叉、变异等运算都是以一种概率方式进行的增加了搜索过程的灵活性而且能以较大概率收敛于最优解具有较好的全局优化求解能力。但交叉概率、变异概率等参数也会影响算法的搜索结果和搜索效率所以如何选择遗传算法的参数在其应用中是一个比较重要的问题。综上由于遗传算法的整体搜索策略和优化搜索方式在计算时不依赖于梯度信息或其他辅助知识只需要求解影响搜索方向的目标函数和相应的适应度函数所以遗传算法提供了一种求解复杂系统问题的通用框架。它不依赖于问题的具体领域对问题的种类有很强的鲁棒性所以广泛应用于各种领域包括函数优化、组合优化生产调度问题、自动控制、机器人学、图像处理图像恢复、图像边缘特征提取…)、人工生命、遗传编程、机器学习。3 遗传算法的基本流程及实现技术基本遗传算法Simple Genetic Algorithms,SGA只使用选择算子、交叉算子和变异算子这三种遗传算子进化过程简单是其他遗传算法的基础。3.1 遗传算法的基本流程通过随机方式产生若干由确定长度长度与待求解问题的精度有关编码的初始群体通过适应度函数对每个个体进行评价选择适应度值高的个体参与遗传操作适应度低的个体被淘汰经遗传操作复制、交叉、变异的个体集合形成新一代种群直到满足停止准则进化代数GEN?将后代中变现最好的个体作为遗传算法的执行结果。其中GEN是当前代数M是种群规模i代表种群数量。3.2 遗传算法的实现技术基本遗传算法SGA由编码、适应度函数、遗传算子选择、交叉、变异及运行参数组成。3.2.1 编码1二进制编码二进制编码的字符串长度与问题所求解的精度有关。需要保证所求解空间内的每一个个体都可以被编码。优点编、解码操作简单遗传、交叉便于实现缺点长度大2其他编码方法格雷码、浮点数编码、符号编码、多参数编码等3.2.2 适应度函数适应度函数要有效反映每一个染色体与问题的最优解染色体之间的差距。3.2.3选择算子3.2.4 交叉算子交叉运算是指对两个相互配对的染色体按某种方式相互交换其部分基因从而形成两个新的个体交叉运算是遗传算法区别于其他进化算法的重要特征是产生新个体的主要方法。在交叉之前需要将群体中的个体进行配对一般采取随机配对原则。常用的交叉方式单点交叉双点交叉多点交叉交叉点数越多个体的结构被破坏的可能性越大一般不采用多点交叉的方式均匀交叉算术交叉3.2.5 变异算子遗传算法中的变异运算是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换从而形成一个新的个体。就遗传算法运算过程中产生新个体的能力方面来说交叉运算是产生新个体的主要方法它决定了遗传算法的全局搜索能力而变异运算只是产生新个体的辅助方法但也是必不可少的一个运算步骤它决定了遗传算法的局部搜索能力。交叉算子与变异算子的共同配合完成了其对搜索空间的全局搜索和局部搜索从而使遗传算法能以良好的搜索性能完成最优化问题的寻优过程。3.2.6 运行参数4 遗传算法的基本原理4.1 模式定理4.2 积木块假设具有低阶、定义长度短且适应度值高于群体平均适应度值的模式称为基因块或积木块。积木块假设个体的基因块通过选择、交叉、变异等遗传算子的作用能够相互拼接在一起形成适应度更高的个体编码串。积木块假设说明了用遗传算法求解各类问题的基本思想即通过积木块直接相互拼接在一起能够产生更好的解。⛄二、部分源代码clc;clear;close all;%% Problem DefinitionmodelCreateModel(); % Create ModelCostFunction(sol1) MyCost(sol1,model); % Cost FunctionVars.xhat.Min0;Vars.xhat.Max1;Vars.xhat.Size[1 model.n];Vars.xhat.Countprod(Vars.xhat.Size);Vars.xhat.VelMax0.1*(Vars.xhat.Max-Vars.xhat.Min);Vars.xhat.VelMin-Vars.xhat.VelMax;Vars.yhat.Min0;Vars.yhat.Max1;Vars.yhat.Size[1 model.n];Vars.yhat.Countprod(Vars.yhat.Size);Vars.yhat.VelMax0.1*(Vars.yhat.Max-Vars.yhat.Min);Vars.yhat.VelMin-Vars.yhat.VelMax;Vars.rhat.Min0;Vars.rhat.Max1;Vars.rhat.Size[1 model.n];Vars.rhat.Countprod(Vars.rhat.Size);Vars.rhat.VelMax0.1*(Vars.rhat.Max-Vars.rhat.Min);Vars.rhat.VelMin-Vars.rhat.VelMax;%% PSO ParametersMaxIt500; % Maximum Number of IterationsnPop50; % Population Size (Swarm Size)w1.0; % Inertia Weightwdamp0.99; % Inertia Weight Damping Ratioc10.7; % Personal Learning Coefficientc21.5; % Global Learning Coefficient% % Constriction Coefficients% phi12.05;% phi22.05;% phiphi1phi2;% chi2/(phi-2sqrt(phi^2-4phi));% wchi; % Inertia Weight% wdamp1; % Inertia Weight Damping Ratio% c1chiphi1; % Personal Learning Coefficient% c2chi*phi2; % Global Learning Coefficient%% Initializationempty_particle.Position[];empty_particle.Cost[];empty_particle.Sol[];empty_particle.Velocity[];empty_particle.Best.Position[];empty_particle.Best.Cost[];empty_particle.Best.Sol[];particlerepmat(empty_particle,nPop,1);GlobalBest.Costinf;for i1:nPop% Initialize Position particle(i).PositionCreateRandomSolution(model); % Initialize Velocity particle(i).Velocity.xhatzeros(Vars.xhat.Size); particle(i).Velocity.yhatzeros(Vars.yhat.Size); particle(i).Velocity.rhatzeros(Vars.rhat.Size); % Evaluation [particle(i).Cost, particle(i).Sol]CostFunction(particle(i).Position); % Update Personal Best particle(i).Best.Positionparticle(i).Position; particle(i).Best.Costparticle(i).Cost; particle(i).Best.Solparticle(i).Sol; % Update Global Best if particle(i).Best.CostGlobalBest.Cost GlobalBestparticle(i).Best; endendBestCostzeros(MaxIt,1);%% PSO Main Loopfor it1:MaxItfor i1:nPop % ---- Motion on xhat % Update Velocity particle(i).Velocity.xhat w*particle(i).Velocity.xhat ... c1*rand(Vars.xhat.Size).*(particle(i).Best.Position.xhat-particle(i).Position.xhat) ... c2*rand(Vars.xhat.Size).*(GlobalBest.Position.xhat-particle(i).Position.xhat); % Apply Velocity Limits particle(i).Velocity.xhat max(particle(i).Velocity.xhat,Vars.xhat.VelMin); particle(i).Velocity.xhat min(particle(i).Velocity.xhat,Vars.xhat.VelMax); % Update Position particle(i).Position.xhat particle(i).Position.xhat particle(i).Velocity.xhat; % Velocity Mirror Effect IsOutside(particle(i).Position.xhatVars.xhat.Min | particle(i).Position.xhatVars.xhat.Max); particle(i).Velocity.xhat(IsOutside)-particle(i).Velocity.xhat(IsOutside); % Apply Position Limits particle(i).Position.xhat max(particle(i).Position.xhat,Vars.xhat.Min); particle(i).Position.xhat min(particle(i).Position.xhat,Vars.xhat.Max); % ---- Motion on yhat % Update Velocity particle(i).Velocity.yhat w*particle(i).Velocity.yhat ... c1*rand(Vars.yhat.Size).*(particle(i).Best.Position.yhat-particle(i).Position.yhat) ... c2*rand(Vars.yhat.Size).*(GlobalBest.Position.yhat-particle(i).Position.yhat);function sol2ImproveSolution(sol1,model,Vars)nmodel.n; Arandperm(n); for iA sol1MoveMachine(i,sol1,model,Vars); end sol2sol1;endfunction [sol2, z2]MoveMachine(i,sol1,model,Vars)dmax0.5; % Zero [newsol(1), z(1)]RotateMachine(i,sol1,model); % Move Up newsol(2)sol1; dyunifrnd(0,dmax); newsol(2).yhat(i)sol1.yhat(i)dy; newsol(2).yhat(i)max(newsol(2).yhat(i),Vars.yhat.Min); newsol(2).yhat(i)min(newsol(2).yhat(i),Vars.yhat.Max); [newsol(2), z(2)]RotateMachine(i,newsol(2),model); % Move Down newsol(3)sol1; dyunifrnd(0,dmax); newsol(3).yhat(i)sol1.yhat(i)-dy; newsol(3).yhat(i)max(newsol(3).yhat(i),Vars.yhat.Min); newsol(3).yhat(i)min(newsol(3).yhat(i),Vars.yhat.Max); [newsol(3), z(3)]RotateMachine(i,newsol(3),model); % Move Right newsol(4)sol1; dxunifrnd(0,dmax); newsol(4).xhat(i)sol1.xhat(i)dx; newsol(4).xhat(i)max(newsol(4).xhat(i),Vars.xhat.Min); newsol(4).xhat(i)min(newsol(4).xhat(i),Vars.xhat.Max); [newsol(4), z(4)]RotateMachine(i,newsol(4),model); % Move Left newsol(5)sol1; dxunifrnd(0,dmax); newsol(5).xhat(i)sol1.xhat(i)-dx; newsol(5).xhat(i)max(newsol(5).xhat(i),Vars.xhat.Min); newsol(5).xhat(i)min(newsol(5).xhat(i),Vars.xhat.Max); [newsol(5), z(5)]RotateMachine(i,newsol(5),model); % Move Up-Right newsol(6)sol1; dxunifrnd(0,dmax); newsol(6).xhat(i)sol1.xhat(i)dx; newsol(6).xhat(i)max(newsol(6).xhat(i),Vars.xhat.Min); newsol(6).xhat(i)min(newsol(6).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(6).yhat(i)sol1.yhat(i)dy; newsol(6).yhat(i)max(newsol(6).yhat(i),Vars.yhat.Min); newsol(6).yhat(i)min(newsol(6).yhat(i),Vars.yhat.Max); [newsol(6), z(6)]RotateMachine(i,newsol(6),model); % Move Up-Left newsol(7)sol1; dxunifrnd(0,dmax); newsol(7).xhat(i)sol1.xhat(i)-dx; newsol(7).xhat(i)max(newsol(7).xhat(i),Vars.xhat.Min); newsol(7).xhat(i)min(newsol(7).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(7).yhat(i)sol1.yhat(i)dy; newsol(7).yhat(i)max(newsol(7).yhat(i),Vars.yhat.Min); newsol(7).yhat(i)min(newsol(7).yhat(i),Vars.yhat.Max); [newsol(7), z(7)]RotateMachine(i,newsol(7),model); % Move Down-Right newsol(8)sol1; dxunifrnd(0,dmax); newsol(8).xhat(i)sol1.xhat(i)dx; newsol(8).xhat(i)max(newsol(8).xhat(i),Vars.xhat.Min); newsol(8).xhat(i)min(newsol(8).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(8).yhat(i)sol1.yhat(i)-dy; newsol(8).yhat(i)max(newsol(8).yhat(i),Vars.yhat.Min); newsol(8).yhat(i)min(newsol(8).yhat(i),Vars.yhat.Max); [newsol(8), z(8)]RotateMachine(i,newsol(8),model); % Move Down-Left newsol(9)sol1; dxunifrnd(0,dmax); newsol(9).xhat(i)sol1.xhat(i)-dx; newsol(9).xhat(i)max(newsol(9).xhat(i),Vars.xhat.Min); newsol(9).xhat(i)min(newsol(9).xhat(i),Vars.xhat.Max); dyunifrnd(0,dmax); newsol(9).yhat(i)sol1.yhat(i)-dy; newsol(9).yhat(i)max(newsol(9).yhat(i),Vars.yhat.Min); newsol(9).yhat(i)min(newsol(9).yhat(i),Vars.yhat.Max); [newsol(9), z(9)]RotateMachine(i,newsol(9),model); [z2, ind]min(z); sol2newsol(ind);⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例第2版[M].电子工业出版社2016.[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社2017.3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合