1.算法描述
粒子群优化算法（PSO），粒子群中的每一个粒子都代表一个问题的可能解， 通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性。
在求解TSP这种整数规划问题的时候, PSO显然与ACO不同, PSO需要对算法本身进行一定的修改, 毕竟PSO刚开始是应用在求解连续优化问题上的.
在路径规划中，我们将每一条路径规划为一个粒子，每个粒子群群有 n 个粒 子，即有 n 条路径，同时，每个粒子又有 m 个染色体，即中间过渡点的个数，每 个点（染色体）又有两个维度（x，y），在代码中用 posx 和 posy 表示一个种群。 通过每一代的演化，对粒子群进行演化操作，选择合适个体（最优路径）。
最终算法伪代码如下:
初始化: 每个粒子获得一个随机解和一个随机的SS (命名为速度)
For 在位置 X_{id} 的所有粒子, 计算新的位置 X_{id}':
计算 P_{id} 与 X_{id} 之间的差 A = P_{id} - X_{id}, 其中 A 为 BSS
计算 B = P_{gd} - X_{id}, 其中 B 为 BSS
根据速度更新公式计算新的速度 V_{id}', 并将 V_{id}' 转换为一个 BSS
计算新的解 X_{id}' = X_{id} + V_{id} (也就是 V_{id} 作用在 X_{id} 上)
更新 P_{id} 如果新的解更好
更新 P_{gd} 若出现新的全局最好的解
2.matlab算法仿真效果
matlab2017b仿真结果如下：
3.MATLAB核心程序
`%% 初始化所有粒子
for i=1:m
x(i,:)=randperm(n); %粒子位置
end
F=fitness(x,C,D); %计算种群适应度
%xuhao=xulie(F) %最小适应度种群序号
a1=F(1);
a2=1;
for i=1:m
if a1>=F(i)
a1=F(i);
a2=i;
end
end
xuhao=a2;
Tour_pbest=x; %当前个体最优
Tour_gbest=x(xuhao,:) ; %当前全局最优路径
Pb=inf*ones(1,m); %个体最优记录
Gb=F(a2); %群体最优记录
xnew1=x;
N=1;
while N<=Nmax
%计算适应度
F=fitness(x,C,D);
for i=1:m
if F(i)<Pb(i)
Pb(i)=F(i); %将当前值赋给新的最佳值
Tour_pbest(i,:)=x(i,:);%将当前路径赋给个体最优路径
end
if F(i)<Gb
Gb=F(i);
Tour_gbest=x(i,:);
end
end
% nummin=xulie(Pb) %最小适应度种群序号
a1=Pb(1);
a2=1;
for i=1:m
if a1>=Pb(i)
a1=Pb(i);
a2=i;
end
end
nummin=a2;
Gb(N)=Pb(nummin); %当前群体最优长度
for i=1:m
%% 与个体最优进行交叉
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
end
chb1=min(c1,c2);
chb2=max(c1,c2);
cros=Tour_pbest(i,chb1:chb2); %交叉区域矩阵
ncros=size(cros,2); %交叉区域元素个数
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew=xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j)=cros(j);
end
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
if F(i)>dist
x(i,:)=xnew1(i,:);
end
%% 与全体最优进行交叉
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
end
chb1=min(c1,c2);
chb2=max(c1,c2);
cros=Tour_gbest(chb1:chb2); %交叉区域矩阵
ncros=size(cros,2); %交叉区域元素个数
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew=xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j)=cros(j);
end
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
if F(i)>dist
x(i,:)=xnew1(i,:);
end
%% 进行变异操作
c1=round(rand*(n-1))+1; %在[1,n]范围内随机产生一个变异位
c2=round(rand*(n-1))+1;
temp=xnew1(i,c1);
xnew1(i,c1)=xnew1(i,c2);
xnew1(i,c2)=temp;
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
%dist=dist(xnew1(i,:),D);
if F(i)>dist
x(i,:)=xnew1(i,:);
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% F=(x,C,D) %计算种群适应度
%xuhao=xulie(F) %最小适应度种群序号
a1=F(1);
a2=1;
for i=1:m
if a1>=F(i)
a1=F(i);
a2=i;
end
end
xuhao=a2;
L_best(N)=min(F);
Tour_gbest=x(xuhao,:); %当前全局最优路径
N=N+1;
figure(1)
scatter(C(:,1),C(:,2));
hold on
plot([C(Tour_gbest(1),1),C(Tour_gbest(n),1)],[C(Tour_gbest(1),2),C(Tour_gbest(n),2)],'ms-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g')
for ii=2:n
plot([C(Tour_gbest(ii-1),1),C(Tour_gbest(ii),1)],[C(Tour_gbest(ii-1),2),C(Tour_gbest(ii),2)],'ms-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g')
end
hold off
figure(2)
plot(L_best);
% set(findobj('tag','N'),'string',num2str(N-1));%当前迭代次数
% set(findobj('tag','tour'),'string',num2str(Tour_gbest));%当前最优路径
% set(findobj('tag','L'),'string',num2str(min(L_best)));%当前最优路径长度 %%%这里的L_best是当前最优路径？？？
end
for j=1:Nmax
if j==1
Nbest=1;
elseif L_best(j)<L_best(j-1)
Nbest=j;
end
end`
