1 简介
粒子群算法是 Kennedy 在 1995 年提出的群智能优化算法，目前在神经网络、过程分析应用、功能优化等领域应用广泛。粒子群算法是从粒子适应性函数得出飞行速度，然后从飞行速度推算出粒子在解空间区域中的搜索行为。每个个体粒子有自己的目标函数觉得自身的飞行轨迹，目标函数指导给粒子自身发现适应值最优位置以及在整个粒子群里中算出最优位置，进而验证粒子下一步的方向和行为。粒子群算法在寻找最优规划路径过程中，一个粒子的位置代表一个有效解的有效路径，在反复更新有效路径解的过程中最终找到最优解。粒子群算法与其他算法相比，这种方法操作简单便捷，收效快速，且控制的参数较少，适用于解决复杂的非线性问题，并对离散优化问题有显著的解决效果。
2 部分代码
global radar1
global radar2
global R
% radar1 = [350 105 305 105 175 245 415 480 40 470];
% baili = size(radar1,2);
% radar2 = [200 0 -150 110 110 110 0 110 100 -50];
% R = [140 70 150 30 25 25 25 90 40 30];
radar1 = [100 200 300 400 150 250 350 150 250 350 0 466 250 250 466 30];
baili = size(radar1,2);
radar2 = [0 0 0 0 50 50 50 -50 -50 -50 40 40 -300 300 -40 -20];
R = [40 40 40 40 40 40 40 40 40 40 20 20 260 277 20 30];
%------给定初始化条件----------------------------------------------
c1=1.4962; %学习因子1
c2=1.4962; %学习因子2
w=0.7298; %惯性权重
runtime =1;
MaxDT=1000; %最大迭代次数
storeer = zeros(runtime,MaxDT);
Pbest = zeros(MaxDT,1);
D=30; %搜索空间维数（未知数个数）
N=40; %初始化群体个体数目
ub=ones(1,D).*100; %/*lower bounds of the parameters. */
lb=ones(1,D).*-50;%/*upper bound of the parameters.*/
for r=1:runtime
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
Range = repmat((ub-lb),[N 1]);
Lower = repmat(lb, [N 1]);
Foods = rand(N,D) .* Range + Lower;
x = Foods;
Foods = rand(N,D) .* Range + Lower;
v = Foods;
%------先计算各个粒子的适应度，并初始化Pi和pg----------------------
for i=1:N
p(i)=fitness(x(i,:));
y(i,:)=x(i,:);
end
pg=x(1,:); %pg为全局最优
for i=2:N
if fitness(x(i,:))<fitness(pg)
pg=x(i,:);
end
end
%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
sol=x(i,:);
%
ind=find(sol<lb);
libai = rand(1,D).*(ub-lb)+lb;
sol(ind)=libai(ind);
ind=find(sol>ub);
libai = rand(1,D).*(ub-lb)+lb;
sol(ind)=libai(ind);
%
x(i,:)=sol;
if fitness(x(i,:))<p(i)
p(i)=fitness(x(i,:));
y(i,:)=x(i,:);
end
if p(i)<fitness(pg)
pg=y(i,:);
end
end
Pbest(t)=fitness(pg);
fprintf('iteration = %d ObjVal=%g\n',t,Pbest(t));
end
%------最后给出计算结果
GlobalParams(r,:) = pg;
storeer(r,:) = Pbest;
end
% figure (1)
% apso = mean(storeer);
% plot(apso)
figure (2)
hold on
plot(0,0,'k*')
plot(500,0,'ks')
for i = 1:baili
hold on
plot(radar1(i),radar2(i),'ko');
cir_plot([radar1(i),radar2(i)],R(i));
end
legend('starting point','target point','threat center')
axis equal
%axis([-100,620,-300,200])
for i = 1:(D-1)
plot([500/(D+1)*i,500/(D+1)*(i+1)],[GlobalParams(i),GlobalParams(i+1)],'r:','LineWidth',2);
hold on
end
plot([0,500/(D+1)*(1)],[0,GlobalParams(1)],'r:','LineWidth',2);
plot([500/(D+1)*D,500],[GlobalParams(D),0],'r:','LineWidth',2);
img =gcf; %获取当前画图的句柄
print(img, '-dpng', '-r600', './运行结果1.png') %即可得到对应格式和期望dpi的图像
3 仿真结果
4 参考文献
[1]马千知. 群智能优化算法在路径规划中的应用研究. Diss. 陕西师范大学, 2010.
5 MATLAB代码与数据下载地址
见博客主页
