免疫群体中的最优PSO粒子群算法.pdf
免疫群体中的最优 PSO 粒子群算法 lifunction x,y,Result=PSO_immu(func,N,c1,c2,w,MaxDT,D,eps,DS,replaceP,minD,Psum)format long;%给定初始化条件%c1=2;%学习因子 1%c2=2;%学习因子 2%w=0.8;%惯性权重%MaxDT=100;%最大迭代次数%D=2;%搜索空间维数（未知数个数）%N=100;%初始化群体个体数目%eps=10(-10);%设置精度(在已知最小值时候用)%DS=8;%每隔 DS 次循环就检查最优个体是否变优%replaceP=0.5;%粒子的概率大于 replaceP 将被免疫替换%minD=1e-10;%粒子间的最小距离%Psum=0;%个体最佳的和 range=100;count=0;%初始化种群的个体%for i=1:N for j=1:D x(i,j)=-range+2*range*rand;%随机初始化位置 v(i,j)=randn;%随机初始化速度 end end%先 计 算 各 个 粒 子 的 适 应 度，并 初 始 化Pi和Pg%for i=1:N p(i)=feval(func,x(i,:);y(i,:)=x(i,:);end pg=x(1,:);%Pg 为全局最优 for i=2:N if feval(func,x(i,:)feval(func,pg)pg=x(i,:);end end%主循环，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,:);if feval(func,x(i,:)p(i)p(i)=feval(func,x(i,:);y(i,:)=x(i,:);end if p(i)feval(func,pg)pg=y(i,:);subplot(1,2,1);bar(pg,0.25);axis(0 3-40 40);title(Iteration ,num2str(t);pause(0.1);subplot(1,2,2);plot(pg(1,1),pg(1,2),rs,MarkerFaceColor,r,MarkerSize,8)hold on;plot(x(:,1),x(:,2),k.);set(gca,Color,g)hold off;grid on;axis(-100 100-100 100);title(Global Min=,num2str(p(i);xlabel(Min_x=,num2str(pg(1,1),Min_y=,num2str(pg(1,2);end end Pbest(t)=feval(func,pg);%if Foxhole(pg,D)DS if mod(t,DS)=0&(Pbest(t-DS+1)-Pbest(t)1e-020%如果连续DS 代数，群体中的最优没有明显变优，则进行免疫.%在函数测试的过程中发现，经过一定代数的更新，个体最优不完全相等，但变化非常非常小，for i=1:N%先计算出个体最优的和 Psum=Psum+p(i);end for i=1:N%免疫程序 for j=1:N%计算每个个体与个体 i 的距离 distance(j)=abs(p(j)-p(i);end num=0;for j=1:N%计算与第i个个体距离小于 minD 的个数 if distance(j)replaceP x(i,:)=-range+2*range*rand(1,D);count=count+1;end end end end end%最后给出计算结果%x=pg(1,1);y=pg(1,2);Result=feval(func,pg);%算法结束%function probabolity(N,i)PF=p(N-i)/Psum;%适应度概率 disp(PF);for jj=1:N distance(jj)=abs(P(jj)-P(i);end num=0;for ii=1:N if distance(ii)minD num=num+1;end end PD=num/N;%个体浓度 PR=a*PF+(1-a)*PD;%替换概率
